論文の概要: Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis

• arxiv url: http://arxiv.org/abs/2603.19695v1
• Date: Fri, 20 Mar 2026 07:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.034993
• Title: Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis
• Title（参考訳）: 心電図による自己監督型異常検出による心電図診断の試み
• Authors: Chaoqin Huang, Zi Zeng, Aofan Jiang, Yuchen Xu, Qing Cao, Kang Chen, Chenfei Chi, Yanfeng Wang, Ya Zhang,
• Abstract要約: 心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
• 参考スコア（独自算出の注目度）: 45.00216485193071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rare cardiac anomalies are difficult to detect from electrocardiograms (ECGs) due to their long-tailed distribution with extremely limited case counts and demographic disparities in diagnostic performance. These limitations contribute to delayed recognition and uneven quality of care, creating an urgent need for a generalizable framework that enhances sensitivity while ensuring equity across diverse populations. In this study, we developed an AI-assisted two-stage ECG framework integrating self-supervised anomaly detection with demographic-aware representation learning. The first stage performs self-supervised anomaly detection pretraining by reconstructing masked global and local ECG signals, modeling signal trends, and predicting patient attributes to learn robust ECG representations without diagnostic labels. The pretrained model is then fine-tuned for multi-label ECG classification using asymmetric loss to better handle long-tail cardiac abnormalities, and additionally produces anomaly score maps for localization, with CPU-based optimization enabling practical deployment. Evaluated on a longitudinal cohort of over one million clinical ECGs, our method achieves an AUROC of 94.7% for rare anomalies and reduces the common-rare performance gap by 73%, while maintaining consistent diagnostic accuracy across age and sex groups. In conclusion, the proposed equity-aware AI framework demonstrates strong clinical utility, interpretable anomaly localization, and scalable performance across multiple cohorts, highlighting its potential to mitigate diagnostic disparities and advance equitable anomaly detection in biomedical signals and digital health. Source code is available at https://github.com/MediaBrain-SJTU/Rare-ECG.
• Abstract（参考訳）: 心電図(ECG)では, 症例数が非常に限られ, 診断性能に差があるため, 心電図では検出が困難である。 これらの制限は認識の遅れと不均一なケアの質に寄与し、多様な集団の株式を確保しつつ、感度を高める汎用的な枠組みを緊急に必要とします。 本研究では、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援2段階ECGフレームワークを開発した。 第1段階は、マスクされたグローバルおよびローカルECG信号を再構成し、信号トレンドをモデル化し、患者属性を予測し、診断ラベルなしで堅牢なECG表現を学習することにより、自己教師付き異常検出前トレーニングを行う。 トレーニング済みのモデルでは,非対称損失を用いた多ラベル心電図分類を微調整し,長テール心電図の異常を解消し,局所化のための異常スコアマップも生成し,CPUベースの最適化により実際の展開を可能にした。 本手法は, 100万以上の臨床心電図の経時的コホートに基づいて, まれな異常に対して94.7%のAUROCを達成し, 年齢, 性グループ間での診断精度を維持しつつ, 平均性能ギャップを73%削減する。 結論として、提案するエクイティ対応AIフレームワークは、複数のコホートにまたがる強力な臨床的有用性、解釈可能な異常なローカライゼーション、スケーラブルなパフォーマンスを示し、診断の格差を緩和し、バイオメディカル信号とデジタルヘルスにおける等価な異常検出を前進させる可能性を強調している。 ソースコードはhttps://github.com/MediaBrain-SJTU/Rare-ECGで入手できる。

関連論文リスト

• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
  FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。 はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。 伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-09-10T19:48:07Z)
• Manifold Learning for Personalized and Label-Free Detection of Cardiac Arrhythmias [0.9208007322096533]
  我々は, 非線形次元減少 (NLDR) は心電図信号の医学的特徴に適応できることを示した。 MIT-BIHデータセットのMLIIおよびV1リードを用いて、NLDRが心臓モニタリングに大いに期待できることを実証した。
  論文  参考訳（メタデータ） (2025-06-19T17:39:57Z)
• FADE: Forecasting for Anomaly Detection on ECG [4.914228925573227]
  本研究の目的は,通常の心電図予測と異常検出のために設計された深層学習システムFADEを提案することである。 FADEは、新しい形態学的にインスパイアされた損失関数で、自己監督的な方法で訓練されている。 本手法は,心電図信号と実際のセンサデータとの新たな距離関数を用いて,心臓の異常を効果的に同定する。
  論文  参考訳（メタデータ） (2025-02-11T09:19:39Z)
• AnyECG: Foundational Models for Multitask Cardiac Analysis in Real-World Settings [34.078819572852446]
  心電図(ECG)は急性心臓発作の検出に非常に敏感である。 本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
  論文  参考訳（メタデータ） (2024-11-17T17:32:58Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• Self-supervised Anomaly Detection Pretraining Enhances Long-tail ECG Diagnosis [32.37717219026923]
  現在のコンピュータ支援心電図診断システムでは, まれながら重要な心疾患の診断に苦慮している。 本研究は、この制限に対処するために、自己教師付き異常検出プリトレーニングを用いた新しいアプローチを提案する。 異常検出モデルは、正常な心臓パターンからの微妙な偏差を検出し、局所化するように設計されている。
  論文  参考訳（メタデータ） (2024-08-30T09:48:47Z)
• Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance [41.373856519548404]
  Dynamic Uncertain Causality Graph (DUCG)アプローチは、さまざまなアプリケーションシナリオで因果性駆動、説明可能、不変である。 54件の主訴を含む46件のDUCGモデルが製造された。 実際の診断は100万件以上行われており、誤診断は17例に過ぎなかった。
  論文  参考訳（メタデータ） (2024-06-09T11:37:45Z)
• Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
  既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。 本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。 本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:15:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。