Fugu-MT 論文翻訳(概要): Biomarker-Based Pretraining for Chagas Disease Screening in Electrocardiograms

論文の概要: Biomarker-Based Pretraining for Chagas Disease Screening in Electrocardiograms

arxiv url: http://arxiv.org/abs/2604.09782v1
Date: Fri, 10 Apr 2026 18:07:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-14 20:13:15.670955
Title: Biomarker-Based Pretraining for Chagas Disease Screening in Electrocardiograms
Title（参考訳）: 心電図におけるバイオマーカーによるシャガス病スクリーニング
Authors: Elias Stenhede, Arian Ranjbar,
Abstract要約: ECGによるChagas病スクリーニングは、既存のデータセットの希少かつノイズの多いラベルによって制限される。本稿では,心電図特徴抽出器を用いてバイオマーカーを用いたバイオマーカーを用いた事前トレーニング手法を提案する。事前トレーニングされたモデルは、Chagas検出のためにブラジルのデータセットに微調整される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Chagas disease screening via ECGs is limited by scarce and noisy labels in existing datasets. We propose a biomarker-based pretraining approach, where an ECG feature extractor is first trained to predict percentile-binned blood biomarkers from the MIMIC-IV-ECG dataset. The pretrained model is then fine-tuned on Brazilian datasets for Chagas detection. Our 5-model ensemble, developed by the Ahus AIM team, achieved a challenge score of 0.269 on the hidden test set, ranking 5th in Detection of Chagas Disease from the ECG: The George B. Moody PhysioNet Challenge 2025. Source code and the model are shared on GitHub: github.com/Ahus-AIM/physionet-challenge-2025
Abstract（参考訳）: ECGによるChagas病スクリーニングは、既存のデータセットの希少かつノイズの多いラベルによって制限される。バイオマーカーを用いたプレトレーニング手法を提案し,まず心電図の特徴抽出器を用いてMIMIC-IV-ECGデータセットからパーセンタイル結合型血液マーカーを予測する。事前トレーニングされたモデルは、Chagas検出のためにブラジルのデータセットに微調整される。 Ahus AIMチームが開発した5モデルアンサンブルは、隠れたテストセットで0.269の挑戦スコアを獲得し、ECGによるChagas Diseaseの検出で5位となった。ソースコードとモデルはGitHubで共有されている: github.com/Ahus-AIM/physionet-challenge-2025

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)
FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
論文参考訳（メタデータ） (2026-01-22T01:34:39Z)
Detection of Chagas Disease from the ECG: The George B. Moody PhysioNet Challenge 2025 [7.563722799684741]
George B. Moody PhysioNet Challenge 2025は、心電図(ECG)からChagas病を識別するためのアルゴリズムアプローチを開発するチームを招いている。この課題は、複数の革新をもたらします。まず、患者レポートと血清検査のラベル付きデータセットを活用し、弱いラベル付きデータセットと弱いラベル付きデータセットで大規模なデータセットを提供しました。次に、モデルロバスト性および未確認データソースへの一般化性をサポートするために、データを拡張し、第3に、Chagas病の局所血清検査能力をキャプチャして、機械学習問題をトリアージタスクとするために評価指標を適用しました。
論文参考訳（メタデータ） (2025-10-02T16:50:36Z)
MambaCapsule: Towards Transparent Cardiac Disease Diagnosis with Electrocardiography Using Mamba Capsule Network [16.562266471455672]
本稿では,ECG不整脈分類のためのディープニューラルネットワークであるMambaCapsuleを紹介する。 MambaCapsuleはテストセットでそれぞれ99.54%と99.59%の精度を達成した。
論文参考訳（メタデータ） (2024-07-30T15:12:29Z)
Deep Survival Analysis from Adult and Pediatric Electrocardiograms: A Multi-center Benchmark Study [5.554864650304149]
心電図(AI-ECG)に応用された人工知能は死亡予測の可能性を示している。ミナスジェライスのBeth Israel Deaconess(MIMIC-IV)、Telehealth Network of Minas Gerais(Code-15)、Boston Children's Hospital(BCH)の3大コホートにおけるモデル設計選択の評価を行った。我々は、地平線に基づく分類とディープサバイバル手法を畳み込みネットワークやトランスフォーマーを含むニューラルアーキテクチャと比較し、全原因死亡予測モデルを評価した。
論文参考訳（メタデータ） (2024-06-24T14:37:17Z)
Large-scale Training of Foundation Models for Wearable Biosignals [1.8291790356553643]
バイオシグナーの追跡は、健康の監視と重度の医療疾患の予防に不可欠である。ウェアラブルと既存のデジタルバイオマーカーにもかかわらず、ラベル付きデータの欠如は、新しいバイオマーカーの開発を妨げる。我々は、フォトムーブメントと心電図という2つの一般的な生体信号の基礎モデルを訓練する。
論文参考訳（メタデータ） (2023-12-08T23:44:34Z)
Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文参考訳（メタデータ） (2023-10-24T11:34:15Z)
CoNIC Challenge: Pushing the Frontiers of Nuclear Detection, Segmentation, Classification and Counting [46.45578907156356]
我々は、核分裂と細胞組成を評価するために、その種の最大の利用可能なデータセットを用いて、コミュニティ全体の課題をセットアップする。大腸組織1,658枚の全スライディング画像を用いて,トップパフォーマンスモデルに基づく広範囲な組織解析を行った。腫瘍微小環境において,核および好酸球が重要な役割を担っていることが示唆された。
論文参考訳（メタデータ） (2023-03-11T01:21:13Z)
Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。