論文の概要: A Multimodal and Explainable Machine Learning Approach to Diagnosing Multi-Class Ejection Fraction from Electrocardiograms

• arxiv url: http://arxiv.org/abs/2604.25942v1
• Date: Fri, 17 Apr 2026 05:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.235575
• Title: A Multimodal and Explainable Machine Learning Approach to Diagnosing Multi-Class Ejection Fraction from Electrocardiograms
• Title（参考訳）: マルチモーダル・説明可能な機械学習による心電図からの多種射出率の診断
• Authors: Catherine Ning, Yu Ma, Cindy Beini Wang, Sean McMahon, Joseph Radojevic, Steven Zweibel, Dimitris Bertsimas,
• Abstract要約: 左室放出率 (LVEF) の評価は, 心エコー検査, プライマリケア, リソース制限設定による。 LVEFを4つの臨床応用ストラタに分類するために,12段階のECGタイムリー機能と構造化EHR変数を組み合わせたマルチモーダル機械学習フレームワークを開発した。 この研究は、ECGベースのマルチモーダルなLVEF成層化をサポートし、リソースが制限されている確認画像の優先順位付けに実用的なスクリーニングとトリアージ支援を行う。
• 参考スコア（独自算出の注目度）: 4.262407062071831
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Left ventricular ejection fraction (LVEF) assessment depends on echocardiography, limiting access in primary care and resource-constrained settings. We developed a multimodal machine-learning framework that combines engineered 12-lead ECG timeseries features with structured EHR variables to classify LVEF into four clinically used strata: normal (>50%), mildly reduced (40-50%), moderately reduced (30-40%), and severely reduced (<30%). To support model explainability, we identified the most influential ECG and EHR features via SHAP attributions. Using retrospective data from Hartford HealthCare, we trained XGBoost models on 36,784 ECG-echocardiogram pairs from 30,952 outpatients and evaluated temporal generalizability on 19,966 ECGs from a subsequent period. The multimodal model achieved one-vs-rest AUROCs of 0.95 (severe), 0.92 (moderate), 0.82 (mild), and 0.91 (normal), outperforming ECG-only and EHR-only baselines, and maintained performance under temporal validation. This work supports ECG-based, multimodal LVEF stratification as a practical screening and triage aid to prioritize confirmatory imaging where resources are limited.
• Abstract（参考訳）: 左室放出率 (LVEF) の評価は, 心エコー検査, プライマリケア, リソース制限設定による。 LVEFを正常 (>50%), 軽度 (40-50%), 適度 (30-40%), 高度 ((<30%), 高度 ((<30%) の4つの臨床用層に分類するために, 12 個の心電図時系列と構造化 EHR 変数を組み合わせた多モード機械学習フレームワークを開発した。 モデル説明可能性を支援するため,最も影響力のあるECGとEHRの特徴をSHAP属性を用いて同定した。 ハートフォード・ヘルスケアの振り返りデータを用いて,30,952例の心電図と心電図の36,784例を対象にXGBoostモデルを訓練し,その後19,966例の心電図の時間的一般化性を評価した。 マルチモーダルモデルは0.95(重度)、0.92(モデレート)、0.82(ミルド)、0.91(正常)の1-vsレストAUROCを達成し、ECGのみのベースラインとEHRのみのベースラインを上回り、時間的検証の下で性能を維持した。 この研究は、ECGベースのマルチモーダルなLVEF成層化をサポートし、リソースが制限されている確認画像の優先順位付けに実用的なスクリーニングとトリアージ支援を行う。

関連論文リスト

• Domain-Adapted Fine-Tuning of ECG Foundation Models for Multi-Label Structural Heart Disease Screening [9.031528782284935]
  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。
  論文  参考訳（メタデータ） (2026-04-25T17:27:42Z)
• 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)
• EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model [46.84040404474695]
  EnECGは、複数の特別な基礎モデルを統合するアンサンブルベースのフレームワークであり、それぞれECG解釈の異なる側面で優れている。 本稿では,基礎モデルの強力な表現力を維持しつつ,計算・メモリコストの削減に寄与することを示す。 このフレームワークは特徴抽出と予測性能を向上するだけでなく、実際の臨床応用に実用的な効率性も確保する。
  論文  参考訳（メタデータ） (2025-11-28T07:22:33Z)
• 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)
• 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)
• ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
  OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。 現在の最先端の証拠は、機能ベースのランダムな森林と畳み込みニューラルネットワーク(CNN)の両方が、OMIのECG検出を改善するための有望なアプローチであることを示唆している。 我々はOMI識別のためのECG--NETを開発し評価する。
  論文  参考訳（メタデータ） (2024-05-08T19:59:16Z)
• MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• Multi-modal Heart Failure Risk Estimation based on Short ECG and Sampled Long-Term HRV [2.1040040536783637]
  心臓不全(HF)を含む心臓血管疾患は、早期発見を回避し、世界的死亡率の高い原因となっている。 従来のアプローチはリソース集約的な診断テストに依存しており、通常は症状の発症後に投与される。 本稿では,30秒間の心電図記録と長期心拍変動データを組み合わせてHF入院リスクを推定するマルチモーダル手法を提案する。
  論文  参考訳（メタデータ） (2024-03-01T01:16:27Z)
• Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
  本研究では,人工知能を用いた心房細動検出法を提案する。 本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
  論文  参考訳（メタデータ） (2021-04-15T12:50:16Z)
• 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。