Fugu-MT 論文翻訳(概要): Validating the Clinical Utility of CineECG 3D Reconstructions through Cross-Modal Feature Attribution

論文の概要: Validating the Clinical Utility of CineECG 3D Reconstructions through Cross-Modal Feature Attribution

arxiv url: http://arxiv.org/abs/2604.27017v1
Date: Wed, 29 Apr 2026 12:21:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-01 16:31:53.722574
Title: Validating the Clinical Utility of CineECG 3D Reconstructions through Cross-Modal Feature Attribution
Title（参考訳）: CineECG 3D再建術の臨床的有用性の検討
Authors: Karol Dobiczek, Maciej Mozolewski, Szymon Bobek, Michał Szafarczyk, Peter van Dam, Grzegorz J. Nalepa,
Abstract要約: 本稿では,CineECG 3次元解剖学的空間に高性能12誘導ECGモデルから特徴属性を投影するクロスモーダル手法を提案する。本研究は,CineECG信号を直接訓練したモデルにおいて,精度の低下と不整合性に悩まされている一方で,本手法が臨床的に有意な特徴ランキングを効果的に回復させることを示した。
参考スコア（独自算出の注目度）: 6.049628621178308
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning models for 12-lead electrocardiogram (ECG) analysis achieve high diagnostic performance but lack the intuitive interpretability required for clinical integration. Standard feature attribution methods are limited by the inherent difficulty in mapping abstract waveform fluctuations to physical anatomical pathologies. To resolve this, we propose a cross-modal method that projects feature attributions from high-performance 12-lead ECG models onto the CineECG 3D anatomical space. Our study reveals that while models trained directly on CineECG signals suffer from reduced accuracy and incoherent attributions, the proposed mapping mechanism effectively recovers clinically relevant feature rankings. Validated against a ground-truth dataset of 20 cases annotated by domain experts, the mapped explanations yield a Dice score of 0.56, significantly outperforming the 0.47 baseline of standard 12-lead attributions. These findings indicate that cross-modal averaging mapping effectively filters attribution instability and improves the localization of pathological features, combining the diagnostic expressiveness of standard ECG with the intuitive clarity of anatomical visualization.
Abstract（参考訳）: 12誘導心電図(ECG)解析のための深層学習モデルは高い診断性能を実現するが、臨床統合に必要な直感的な解釈性は欠如している。標準的な特徴帰属法は、抽象波形のゆらぎを物理解剖学的病理にマッピングする際の固有の困難さによって制限される。そこで本研究では,CineECG 3D解剖学的空間上に,高性能12誘導ECGモデルから特徴属性を投影するクロスモーダル手法を提案する。本研究は,CineECG信号を直接訓練したモデルにおいて,精度の低下と不整合性に悩まされている一方で,本手法が臨床的に有意な特徴ランキングを効果的に回復させることを示した。ドメインの専門家がアノテートした20件のグランドトラストデータセットに対して、マップ化された説明ではDiceスコアが0.56となり、標準12リード属性の0.47ベースラインを著しく上回っている。以上の結果から,標準心電図の診断的表現力と解剖学的視覚化の直感的明瞭さを組み合わせ,アトリビューション不安定性を効果的にフィルタし,病的特徴の局在性を改善することが示唆された。

関連論文リスト

CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy [37.81373064028234]
コントラスト的かつ再構成的な事前学習パラダイムであるCoRe-ECGを提案する。 CoRe-ECGは、再構成中にグローバルな表現を整列し、インスタンスレベルの識別信号によって局所的な波形回復を導出する。本手法は,複数のダウンストリームECGデータセットにまたがる最先端の性能を実現する。
論文参考訳（メタデータ） (2026-04-13T11:56:43Z)
Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-21T07:47:37Z)
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)
Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models [3.295369583957252]
CARSは臨床特徴ベクトルに標的摂動を適用し、病理所見の挿入と削除を制御できる。 CARS生成画像の微調整は、精度・リコール性能を一貫して改善し、予測の不確実性を低減し、モデルの校正を改善する。
論文参考訳（メタデータ） (2026-03-16T16:48:51Z)
Interpretable Aneurysm Classification via 3D Concept Bottleneck Models: Integrating Morphological and Hemodynamic Clinical Features [0.6445605125467574]
本稿では,高次元神経画像の特徴を,大動脈瘤の同定のための形態的および血行力学的概念の離散セットにマッピングする,エンドツーエンドの3Dコンセプト・ボトルネックフレームワークを提案する。本研究では,ResNet-34アーキテクチャでは93.33%+/-4.5%,DenseNet-121モデルでは91.43%+/-8%のピークタスク分類精度を示した。
論文参考訳（メタデータ） (2026-03-08T01:03:48Z)
H-LDM: Hierarchical Latent Diffusion Models for Controllable and Interpretable PCG Synthesis from Clinical Metadata [7.158541967057649]
H-LDMは、構造化メタデータから臨床的に正確で制御可能なPCG信号を生成する階層的潜在拡散モデルである。我々のアプローチは、生理的に異なる潜伏空間を学習し、リズム、心臓音、大腿骨を分離するマルチスケールのVAEを特徴とする。 PhysioNet CirCorデータセットの実験では、Fréchet Audio Distance 9.7、92%の属性不整合スコア、87.1%の臨床的妥当性が確認された。
論文参考訳（メタデータ） (2025-11-18T10:16:22Z)
Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文参考訳（メタデータ） (2025-09-30T08:59:06Z)
Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
論文参考訳（メタデータ） (2025-09-22T12:57:21Z)
Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
論文参考訳（メタデータ） (2025-08-24T10:44:24Z)
Efficient and Comprehensive Feature Extraction in Large Vision-Language Model for Pathology Analysis [37.11302829771659]
大規模視覚言語モデル(LVLM)は、入力解像度の制約によって制限され、病理画像解析の効率と精度を損なう。課題誘導型機能拡張と課題誘導型詳細機能補完の2つの革新的戦略を提案する。 OmniPathは診断精度と効率において既存の方法よりも優れていた。
論文参考訳（メタデータ） (2024-12-12T18:07:23Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。