論文の概要: CARE-ECG: Causal Agent-based Reasoning for Explainable and Counterfactual ECG Interpretation
- arxiv url: http://arxiv.org/abs/2604.10420v1
- Date: Sun, 12 Apr 2026 02:35:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.004745
- Title: CARE-ECG: Causal Agent-based Reasoning for Explainable and Counterfactual ECG Interpretation
- Title（参考訳）: CARE-ECG:Causal Agent-based Reasoning for Explainable and Counterfactual ECG Interpretation
- Authors: Elahe Khatibi, Ziyu Wang, Ankita Sharma, Krishnendu Chakrabarty, Sanaz Rahimi Moosavi, Farshad Firouzi, Amir Rahmani,
- Abstract要約: 本稿では,1つのパイプラインで表現学習,診断,説明を統一する因果的に構造化されたECG言語推論フレームワークであるCARE-ECGを提案する。
CARE-ECGは、因果検索拡張生成と、履歴、診断、応答を検証と統合したモジュール型エージェントパイプラインを通じて、言語出力を基盤とする。
全体として、CARE-ECGは重要な潜伏ドライバ、因果的エビデンスパス、代替的な生理状態が結果をどのように変えるかを明らかにすることによって、追跡可能な推論を提供する。
- 参考スコア（独自算出の注目度）: 3.4920018472301866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) enable waveform-to-text ECG interpretation and interactive clinical questioning, yet most ECG-LLM systems still rely on weak signal-text alignment and retrieval without explicit physiological or causal structure. This limits grounding, temporal reasoning, and counterfactual "what-if" analysis central to clinical decision-making. We propose CARE-ECG, a causally structured ECG-language reasoning framework that unifies representation learning, diagnosis, and explanation in a single pipeline. CARE-ECG encodes multi-lead ECGs into temporally organized latent biomarkers, performs causal graph inference for probabilistic diagnosis, and supports counterfactual assessment via structural causal models. To improve faithfulness, CARE-ECG grounds language outputs through causal retrieval-augmented generation and a modular agentic pipeline that integrates history, diagnosis, and response with verification. Across multiple ECG benchmarks and expert QA settings, CARE-ECG improves diagnostic accuracy and explanation faithfulness while reducing hallucinations (e.g., 0.84 accuracy on Expert-ECG-QA and 0.76 on SCP-mapped PTB-XL under GPT-4). Overall, CARE-ECG provides traceable reasoning by exposing key latent drivers, causal evidence paths, and how alternative physiological states would change outcomes.
- Abstract（参考訳）: 大きな言語モデル(LLM)は、波形からテキストへのECG解釈とインタラクティブな臨床質問を可能にするが、ほとんどのECG-LLMシステムは、明確な生理的構造や因果構造を持たない弱い信号テキストアライメントと検索に依存している。
このことは、臨床的な意思決定の中心となる根拠、時間的推論、そして対実的な「何」分析に制限を与える。
本稿では,1つのパイプラインで表現学習,診断,説明を統一する因果的に構造化されたECG言語推論フレームワークであるCARE-ECGを提案する。
CARE-ECGは、マルチリードECGを時間的に組織された潜在バイオマーカーにエンコードし、確率的診断のための因果グラフ推論を行い、構造因果モデルによる反実的評価をサポートする。
忠実性を改善するため、CARE-ECGは因果検索強化生成と、履歴、診断、および検証による応答を統合するモジュール型エージェントパイプラインを通じて言語出力を基盤とする。
複数のECGベンチマークとエキスパートQA設定で、CARE-ECGは幻覚を減らしながら診断精度と説明忠実度を改善している(例えば、Expert-ECG-QAでは0.84、SCPでマップされたPSB-XLでは0.76)。
全体として、CARE-ECGは重要な潜伏ドライバ、因果的エビデンスパス、代替的な生理状態が結果をどのように変えるかを明らかにすることによって、追跡可能な推論を提供する。
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) - Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos [53.368813255127115]
既存の自己教師型手法は、ECGをシングルビューエコーに整列させることで、表現ミスマッチに悩まされる。
本稿では,心電図表現を多視点エコーで捉えることで,心電図表現を充実させるマルチモーダル自己教師型学習フレームワークであるEcho2ECGを提案する。
臨床的に関係のある2つの課題に対して,Echo2ECGをECG特徴抽出器として評価した。
論文 参考訳（メタデータ） (2026-03-09T15:39:57Z) - ECG-R1: Protocol-Guided and Modality-Agnostic MLLM for Reliable ECG Interpretation [36.244601234085856]
既存のマルチモーダル大言語モデル(MLLM)は、ECGの解釈には信頼できないままである。
ECG-R1は、信頼できるECG解釈のために設計されたMLLMの最初の推論である。
コードとデータはhrefhttp://ai.heartvoice.com.cn/ECG-R1hereで公開されている。
論文 参考訳（メタデータ） (2026-02-04T07:17:55Z) - Unveiling the Heart-Brain Connection: An Analysis of ECG in Cognitive Performance [0.1631115063641726]
ECG信号は認知負荷を確実に反映し、脳波に基づく指標のプロキシとして機能する。
脳波表現型認知空間にECG特徴を投影するクロスモーダルなXGBoostフレームワークを提案する。
本研究は心電図を日常的な認知モニタリングのための解釈可能でリアルタイムなウェアラブルソリューションとして捉えたものである。
論文 参考訳（メタデータ） (2026-01-04T08:06:19Z) - Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。
SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。
実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
論文 参考訳（メタデータ） (2025-11-13T02:57:10Z) - EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。
EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。
第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
論文 参考訳（メタデータ） (2025-08-19T11:12:58Z) - TolerantECG: A Foundation Model for Imperfect Electrocardiogram [11.059673773528191]
TolerantECGは、ノイズに対して堅牢で、標準の12リードECGの任意のサブセットで機能するECG信号の基礎モデルである。
TolerantECGトレーニングは、コントラストと自己教師付き学習フレームワークを組み合わせて、ECG信号表現を共同で学習する。
ベンチマークの結果、TolerantECGは、様々なECG信号条件において、最高または第2位のパフォーマーとして一貫してランク付けされている。
論文 参考訳（メタデータ） (2025-07-14T03:48:35Z) - ALFRED: Ask a Large-language model For Reliable ECG Diagnosis [14.920215852057236]
本稿では,ECG解析のためのRAGに基づくゼロショット心電図診断フレームワークを提案する。
このフレームワークには専門家による知識が組み込まれており、診断精度と説明可能性を高める。
論文 参考訳（メタデータ） (2025-04-30T12:59:06Z) - GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。
GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。
基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
論文 参考訳（メタデータ） (2025-03-08T05:48:53Z)
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。