論文の概要: Domain-Adapted Fine-Tuning of ECG Foundation Models for Multi-Label Structural Heart Disease Screening

• arxiv url: http://arxiv.org/abs/2604.23385v1
• Date: Sat, 25 Apr 2026 17:27:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.308395
• Title: Domain-Adapted Fine-Tuning of ECG Foundation Models for Multi-Label Structural Heart Disease Screening
• Title（参考訳）: マルチラベル心疾患スクリーニングのための領域適応心電図基礎モデルの微調整
• Authors: Duc N. Do, Minh N. Do, Dang Nguyen, Khanh T. Q. Le, Khoa D. Pham, Hung N. Huynh, Phi Pham-Van-Hoang, Quan K. Huynh, Ramez M. Odat, Perisa Ashar, Ethan Philip Lowder, Minh H. N. Le, Hoang Le, Phat V. H. Nguyen, Quan Le, Jacques Kpodonu, Phat K. Huynh,
• Abstract要約: 心電図(ECG)基礎モデルがエコー確認型多ラベル心疾患検出をサポートできるかどうかを検討した。 我々は,ECGの工学的特徴と,勾配向上,スクラッチからのエンドツーエンドの波形学習,オープンECG基盤モデルからの転送を比較した。 適応型ECG-FMモデルは全体的な性能を最高のものにした。
• 参考スコア（独自算出の注目度）: 9.031528782284935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transthoracic echocardiography is the reference standard for confirming structural heart disease (SHD), but first-line screening is limited by cost, workflow burden, and specialist availability. We evaluated whether open pretrained electrocardiogram (ECG) foundation models can support echo-confirmed multi-label SHD detection using the public EchoNext Mini-Model benchmark. Six echocardiography-derived abnormalities were targeted: reduced left ventricular ejection fraction, increased left ventricular wall thickness, aortic stenosis, mitral regurgitation, tricuspid regurgitation, and right ventricular systolic dysfunction. Under a common pipeline, we compared engineered ECG features with gradient boosting, end-to-end waveform learning from scratch, and transfer from open ECG foundation models. We then applied in-domain self-supervised adaptation of an ECG foundation model (ECG-FM) on EchoNext waveforms followed by selective supervised fine-tuning, and evaluated trade-offs between discrimination and adaptation cost. Adapted ECG-FM models achieved the best overall performance: peak macro-AUROC 0.8509 and macro-AUPRC 0.4297, while a parameter-efficient operating point preserved AUROC (0.8501) and attained the highest fixed-threshold macro-F1 0.3691. Late fusion with covariates did not improve threshold-independent discrimination, and evaluated LoRA, alternative backbones, and mixture-of-foundations strategies did not surpass the best adapted single-backbone models. These results indicate that for ECG-based case finding and echocardiography triage, combining target-domain self-supervised adaptation with selective supervised updating of a pretrained ECG backbone is the most effective transfer strategy.
• Abstract（参考訳）: 経胸壁心エコー法は、構造心疾患(SHD)の基準基準であるが、初回スクリーニングはコスト、ワークフロー負荷、専門的可用性によって制限される。 オープンプレトレーニング心電図(ECG)基礎モデルが,一般のEchoNext Mini-Modelベンチマークを用いて,エコー確認多ラベルSHD検出をサポートできるかを検討した。 心エコー図による左室排出率低下,左室壁厚増加,大動脈狭窄,僧帽弁閉鎖不全,三尖弁閉鎖不全,右室収縮不全の6例を対象とした。 共通パイプラインでは、グラデーション強化、スクラッチからエンドツーエンドの波形学習、オープンなECG基盤モデルからの転送によるECG機能の比較を行った。 次に,EchoNext波形に対するECGファンデーションモデル(ECG-FM)のドメイン内自己教師付き適応と選択的教師付き微調整を行い,識別と適応コストのトレードオフを評価する。 ピークマクロAUROC 0.8509とマクロAUPRC 0.4297、パラメータ効率の良い動作点保存AUROC (0.8501)、固定閾値マクロF1 0.3691である。 後期の共変量との融合はしきい値非依存の識別を改善せず、LoRA、代替バックボーン、ミックス・オブ・ファウンデーションの戦略は最も適応されたシングルバックボーンモデルを超えなかった。 以上の結果から,心電図を用いた症例検索と心エコー図トリアージでは,対象ドメインの自己管理適応と,事前訓練した心電図バックボーンの選択的更新を併用することが最も効果的な転送戦略であることが示唆された。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Masked Training for Robust Arrhythmia Detection from Digitalized Multiple Layout ECG Images [15.710783507780903]
  この研究は適応的可変ブロック数欠落表現学習のためのフレームワークであるPatchECGを導入した。 PatchECGは、リード間の協調依存関係を持つキーパッチに自動的にフォーカスし、異なるレイアウトのECGにおける不整脈をキー認識する。
  論文  参考訳（メタデータ） (2025-08-06T07:55:05Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• DeScoD-ECG: Deep Score-Based Diffusion Model for ECG Baseline Wander and Noise Removal [4.998493052085877]
  心電図(ECG)信号は、ベースラインダウトなど、一般的にノイズ干渉に悩まされる。 本稿では,新しいECGベースラインホアリングとノイズ除去技術を提案する。
  論文  参考訳（メタデータ） (2022-07-31T23:39:33Z)
• 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。