論文の概要: Detecting low left ventricular ejection fraction from ECG using an interpretable and scalable predictor-driven framework

• arxiv url: http://arxiv.org/abs/2603.28532v2
• Date: Sun, 05 Apr 2026 15:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 12:54:54.53981
• Title: Detecting low left ventricular ejection fraction from ECG using an interpretable and scalable predictor-driven framework
• Title（参考訳）: 解釈可能で拡張性のある予測因子駆動型フレームワークを用いた心電図からの左室左室分画の検出
• Authors: Ya Zhou, Tianxiang Hao, Ziyi Cai, Haojie Zhu, Kejun He, Jia Liu, Xiaohan Fan, Jing Yuan,
• Abstract要約: 低左室放出率 (LEF) は症状性心不全の進行まで検出されないことが多い。 既存のアプローチは、解釈可能性に制限のあるエンドツーエンドのブラックボックスモデルのみに依存している。 我々は基礎モデルに基づく診断確率と解釈可能なモデリングを統合する構造化フレームワークECGPD-LEF(Predictor-Driven LEF)を導入した。
• 参考スコア（独自算出の注目度）: 9.789732284839884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low left ventricular ejection fraction (LEF) frequently remains undetected until progression to symptomatic heart failure, underscoring the need for scalable screening strategies. Although artificial intelligence-enabled electrocardiography (AI-ECG) has shown promise, existing approaches rely solely on end-to-end black-box models with limited interpretability or on tabular systems dependent on commercial ECG measurement algorithms with suboptimal performance. We introduced ECG-based Predictor-Driven LEF (ECGPD-LEF), a structured framework that integrates foundation model-derived diagnostic probabilities with interpretable modeling for detecting LEF from ECG. Trained on the benchmark EchoNext dataset comprising 72,475 ECG-echocardiogram pairs and evaluated in predefined independent internal (n=5,442) and external (n=16,017) cohorts, our framework achieved robust discrimination for moderate LEF (internal AUROC 88.4%, F1 64.5%; external AUROC 86.8%, F1 53.6%), consistently outperforming the official end-to-end baseline provided with the benchmark across demographic and clinical subgroups. Interpretability analyses identified high-impact predictors, including normal ECG, incomplete left bundle branch block, and subendocardial injury in anterolateral leads, driving LEF risk estimation. Notably, these predictors independently enabled zero-shot-like inference without task-specific retraining (internal AUROC 75.3-81.0%; external AUROC 71.6-78.6%), indicating that ventricular dysfunction is intrinsically encoded within structured diagnostic probability representations. This framework reconciles predictive performance with mechanistic transparency, supporting scalable enhancement through additional predictors and seamless integration with existing AI-ECG systems.
• Abstract（参考訳）: 低左室放出率 (LEF) は、症状性心不全の進行まで検出されず、拡張性スクリーニング戦略の必要性が強調される。 人工知能対応心電図(AI-ECG)は将来性を示しているが、既存のアプローチは、解釈可能性に制限のあるエンドツーエンドのブラックボックスモデルや、最適性能の商用心電図測定アルゴリズムに依存する表型システムにのみ依存している。 基礎モデルに基づく診断確率をECGからLEFを検出するための解釈可能なモデリングと統合する構造化フレームワークであるECGPD-LEF(Predictor-Driven LEF)を導入した。 72,475ECG-echocardiogramペアと外部(n=5,442)コホートおよび外部(n=16,017)コホートからなるベンチマークEchoNextデータセットをトレーニングし,中等度LEF(内部AUROC 88.4%,F1 64.5%,外部AUROC 86.8%,F1 53.6%)に対する堅牢な差別を達成した。 解釈可能性分析では, 正常心電図, 不完全左束枝ブロック, 心内膜下障害などの高インパクト予測因子を同定し, LEFリスクを推定した。 特に、これらの予測器はタスク固有のリトレーニングなしでゼロショットのような推論を独立に可能にし(内部AUROC 75.3-81.0%;外部AUROC 71.6-78.6%)、心室機能障害が構造化された診断確率表現に内在的にエンコードされていることを示す。 このフレームワークは、予測性能を機械的透明性で調整し、追加の予測器を通じてスケーラブルな拡張をサポートし、既存のAI-ECGシステムとシームレスに統合する。

関連論文リスト

• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  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。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• Detecting Structural Heart Disease from Electrocardiograms via a Generalized Additive Model of Interpretable Foundation-Model Predictors [8.817617912039616]
  構造心疾患 (SHD) は多くの未診断例で一般的である。 近年の研究では、心電図(ECG)の人工知能に基づく解析がSHDを検出できることが示されている。 既存の方法は、完全にブラックボックスモデルであり、解釈可能性と臨床応用を制限する。
  論文  参考訳（メタデータ） (2026-03-03T05:39:32Z)
• Fine-tuning an ECG Foundation Model to Predict Coronary CT Angiography Outcomes [18.45168797720226]
  4大冠動脈の重症または完全狭窄を予測できるAI-ECGモデルを開発した。 臨床的に正常なECGサブセットでは,ECG異常以上の異常が認められた。
  論文  参考訳（メタデータ） (2025-11-29T05:21:24Z)
• 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)
• Combining ECG Foundation Model and XGBoost to Predict In-Hospital Malignant Ventricular Arrhythmias in AMI Patients [14.778478113602675]
  急性心筋梗塞(AMI)後の心室不整脈(VT/VF)は院内死亡の主な原因である。 本研究の目的は,大規模な心電図基礎モデル(ECGFounder)と解釈可能なXGBoost分類器を統合するハイブリッド予測フレームワークを開発することである。 AMI患者6,634例の心電図解析を行い,そのうち175例が院内VT/VFであった。
  論文  参考訳（メタデータ） (2025-10-20T05:26:55Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。 トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。 短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• 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)
• Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。