論文の概要: ECG Biometrics with ArcFace-Inception: External Validation on MIMIC and HEEDB
- arxiv url: http://arxiv.org/abs/2604.04485v1
- Date: Mon, 06 Apr 2026 07:20:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.129932
- Title: ECG Biometrics with ArcFace-Inception: External Validation on MIMIC and HEEDB
- Title（参考訳）: ArcFace-InceptionによるECGバイオメトリックス:MIMICとHEEDBの外部検証
- Abstract要約: 53,079例の心電図164,440個の心電図を用いたArcFaceを用いた1次元インセプション-v1モデルの評価を行った。
一定ギャラリーサイズでの時間応力試験では、Rand@1はMIMICでは0.7853から0.6433に減少し、HEEDBでは0.6864から0.5560に低下した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: ECG biometrics has been studied mainly on small cohorts and short inter-session intervals, leaving open how identification behaves under large galleries, external domain shift, and multi-year temporal gaps. We evaluated a 1D Inception-v1 model trained with ArcFace on an internal clinical corpus of 164,440 12-lead ECGs from 53,079 patients and tested it on larger cohorts derived from MIMIC-IV-ECG and HEEDB. The study used a unified closed-set leave-one-out protocol with Rank@K and TAR@FAR metrics, together with scale, temporal-stress, reranking, and confidence analyses. Under general comparability, the system achieved Rank@1 of 0.9506 on ASUGI-DB, 0.8291 on MIMIC-GC, and 0.6884 on HEEDB-GC. In the temporal stress test at constant gallery size, Rank@1 declined from 0.7853 to 0.6433 on MIMIC and from 0.6864 to 0.5560 on HEEDB from 1 to 5 years. Scale analysis on HEEDB showed monotonic degradation as gallery size increased and recovery as more examinations per patient became available. On HEEDB-RR, post-hoc reranking further improved retrieval, with AS-norm reaching Rank@1 = 0.8005 from a 0.7765 baseline. ECG identity information therefore remains measurable under externally validated large-scale closed-set conditions, but its operational quality is strongly affected by domain heterogeneity, longitudinal drift, gallery size, and second-stage score processing.
- Abstract（参考訳）: ECGバイオメトリックスは、主に小さなコホートと短いセッション間隔で研究され、大きなギャラリー、外部ドメインシフト、複数年の時間的ギャップの下での識別の振る舞いをオープンにしている。
53,079例の心電図164,440個の心電図を用いてArcFaceを用いて訓練した1D Inception-v1モデルを評価し,MIMIC-IV-ECGおよびHEEDB由来の大型コホートを用いて検討した。
Rank@KとTAR@FARのメトリクスと、スケール、時間的ストレス、再ランク付け、信頼性分析を組み合わせた、統一されたクローズドセット・アウト・アウト・プロトコルを使用した。
ASUGI-DBでは0.9506、MIMIC-GCでは0.8291、HEEDB-GCでは0.6884である。
一定ギャラリーサイズでの時間応力試験では、Rand@1はMIMICでは0.7853から0.6433に減少し、HEEDBでは0.6864から0.5560に低下した。
HEEDBのスケール解析では,ギャラリーサイズの増加とともに単調な劣化がみられ,患者1人当たりの検査値の増加とともに回復した。
HEEDB-RRでは、ポストホックは検索をさらに改善し、ASノルムは0.7765ベースラインから Rank@1 = 0.8005 に達した。
したがって、外部で検証された大規模閉集合条件下でのECG識別情報は測定可能であるが、その操作品質はドメインの不均一性、長手ドリフト、ギャラリーサイズ、第2ステージスコア処理に強く影響される。
関連論文リスト
- A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。
画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文 参考訳（メタデータ） (2026-08-17T08:11:25Z) - A Vision-language Framework for Comparative Reasoning in Radiology [68.52471827773482]
我々は,放射線学的比較を実体認識のクロスイメージ推論問題として定式化する。
我々は,日常的な画像とレポートのペアから得られた大規模比較画像資源を構築した。
臨床類似症例の検索を制御可能なエンティティ対応ビジュアルエンコーダであるMedReCoを開発した。
論文 参考訳（メタデータ） (2026-06-04T17:12:47Z) - Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - Improving Risk Stratification in Hypertrophic Cardiomyopathy: A Novel Score Combining Echocardiography, Clinical, and Medication Data [0.3611680827515096]
肥大型心筋症(HCM)は、ICD療法とフォローアップ管理に関する決定を伝達するために、正確なリスク階層化を必要とする。
本研究は、HCM患者の5年間の複合心血管結果を予測するために、堅牢で説明可能な機械学習(ML)リスクスコアを開発する。
HCMのパーソナライズされた臨床管理のための有望なツールである。
論文 参考訳（メタデータ） (2026-03-27T10:22:46Z) - 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) - 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) - AnyECG-Lab: An Exploration Study of Fine-tuning an ECG Foundation Model to Estimate Laboratory Values from Single-Lead ECG Signals [14.89557749011152]
検査値へのタイムリーなアクセスは臨床的な意思決定に不可欠である。
近年の深層学習の進歩により,心電図からの潜伏血液学的シグネチャの抽出が可能となった。
我々は、大規模な事前学習ECG基盤モデルである微細チューンECGFounderへのトランスファーラーニングを活用した探索的研究を行う。
論文 参考訳（メタデータ） (2025-10-25T14:04:26Z) - AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。
372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。
これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-10-02T20:52:16Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - On-device Computation of Single-lead ECG Parameters for Real-time Remote Cardiac Health Assessment: A Real-world Validation Study [13.674657999037803]
シングルリードECGパラメータのオンデバイス計算により、集中データ処理なしでタイムリーなアセスメントが可能となる。
本研究では、デバイス上のアルゴリズムFeatureDBを2つのデータセットを用いて検証した。
第1次房室ブロック (AVBI, PR-based) と長QT症候群 (LQT, QTc-based) の診断成績を商用12誘導システムと比較した。
論文 参考訳（メタデータ） (2025-02-21T08:11:17Z) - Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series [4.101915841246237]
本研究は, ICU患者における血糖値の予測を目的としたMulti-source Irregular Time-Series Transformer (MITST) を提案する。
MITSTは様々な臨床データ(検査結果、薬品、バイタルサインを含む)を事前に定義された集計なしで統合する。
MITSTは、AUROCで1.7ポイント(pp)、AUPRCで1.8ppという統計学的に有意な(p 0.001 )改善を達成している。
論文 参考訳（メタデータ） (2024-11-03T03:03:11Z) - 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) - A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis [36.12790384412525]
変形性膝関節症におけるTKR(Total Knee Replacement)の必要性を予測するための深層学習モデルを開発した。
モデルは、単一のスキャンを使用してTKR予測を実行し、さらに、以前のスキャンが利用可能になった場合、プログレッシブなリスク定式化を活用して予測を改善する。
変形性膝関節症(OAI)と多施設関節症研究(MOST)の膝X線写真とMRIを用いた。
論文 参考訳（メタデータ） (2024-06-14T15:24:49Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z)
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。