Fugu-MT 論文翻訳(概要): HexagonalWarriorMamba: Superior Threshold-Dependent Multi-label Classification of 12-Lead ECG Cardiac Abnormalities

論文の概要: HexagonalWarriorMamba: Superior Threshold-Dependent Multi-label Classification of 12-Lead ECG Cardiac Abnormalities

arxiv url: http://arxiv.org/abs/2605.17875v1
Date: Mon, 18 May 2026 05:37:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:48.893178
Title: HexagonalWarriorMamba: Superior Threshold-Dependent Multi-label Classification of 12-Lead ECG Cardiac Abnormalities
Title（参考訳）: HexagonalWarriorMamba:12左心電図心電図異常の上位閾値依存性多ラベル分類
Authors: Huawei Jiang, Husna Mutahira, Shibo Wei, Jiahang Li, Vladimir Shin, Juneho Yi, Dongryeol Ryu, Wonyoung Park, Mannan Saeed Muhammad,
Abstract要約: この原稿は、12個のリードECGを単一チャネルの2D画像として処理するフレームワークであるHexagonalWarriorMamba (HWMamba)を提案する。 HWMambaは、データ内のグローバルコンテキストと複雑な空間関係をモデル化するように設計されている。これは26の診断ラベルを含む2021年のPhystoNet/Computing in Cardiology Challengeデータセットで評価されている。
参考スコア（独自算出の注目度）: 2.9158356959388954
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The accurate automated diagnosis of cardiac abnormalities from 12-lead electrocardiograms (ECGs) is critical for managing cardiovascular disease. However, detecting concurrent conditions remains a challenge for traditional deep learning models, which often have limited ability to model the long-range dependencies inherent in ECG signals. This manuscript proposes HexagonalWarriorMamba (HWMamba), a framework built on the Mamba architecture that processes 12-lead ECGs as single-channel 2D images rather than conventional 1D time series. By integrating a hierarchical architecture with a 2D Selective Scan mechanism, HWMamba is designed to model global context and complex spatial relationships within the data. The model is evaluated on the PhysioNet/Computing in Cardiology Challenge 2021 dataset, which includes 26 diagnostic labels and comprises recordings collected from seven institutions across four countries and three continents. Results demonstrate that HWMamba outperforms current state-of-the-art (SOTA) methods across five key threshold-dependent metrics, including Challenge Score and Subset Accuracy. These improvements provide a balance between strong discriminative capability and effective threshold selection derived from the training data, while maintaining near-SOTA performance in Macro AUROC. This Hexagonal Warrior performance, reflecting consistent performance across multiple evaluation dimensions, positions HWMamba as a robust and versatile approach for multi-label ECG classification.
Abstract（参考訳）: 12誘導心電図(ECG)による心臓異常の正確な自動診断は、心血管疾患の管理に重要である。しかし、コンカレント条件の検出は、ECG信号に固有の長距離依存をモデル化する能力に制限がある従来のディープラーニングモデルにとって、依然として課題である。この原稿は、従来の1D時系列ではなく、12リードのECGをシングルチャネル2D画像として処理するMambaアーキテクチャ上に構築されたフレームワークであるHexagonalWarriorMamba(HWMamba)を提案する。 HWMambaは階層型アーキテクチャと2D Selective Scan機構を統合することで、データ内の大域的コンテキストと複雑な空間関係をモデル化するように設計されている。このモデルは、26の診断ラベルを含む2021年のPhysioNet/Computing in Cardiology Challengeデータセットで評価され、4つの国と3つの大陸の7つの機関から収集された記録を含んでいる。その結果、HWMambaは、チャレンジスコアやサブセット精度を含む5つの重要なしきい値に依存した測定値において、現在の最先端(SOTA)メソッドよりも優れていることが示された。これらの改善は、AUROCにおける近SOTA性能を維持しつつ、トレーニングデータから得られる強力な識別能力と効果的なしきい値選択のバランスを与える。このヘキサゴナル・ウォリアのパフォーマンスは、複数の評価次元にわたって一貫した性能を反映し、HWMambaをマルチラベルECG分類のための堅牢で汎用的なアプローチとして位置づけている。

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)
One Dimensional CNN ECG Mamba for Multilabel Abnormality Classification in 12 Lead ECG [2.44657606551177]
2020年と2021年の心臓科におけるPhysioNet Computingに関する総合的な実験を行った。提案したモデルでは, AUPRC と AUROC のスコアが, これまでに発表されたアルゴリズムよりもかなり高い結果を得た。
論文参考訳（メタデータ） (2025-10-14T23:51:35Z)
An Attention-Augmented VAE-BiLSTM Framework for Anomaly Detection in 12-Lead ECG Signals [0.0]
12誘導心電図(ECGs)の異常検出は心血管疾患に伴う偏差の同定に重要である。本稿では,VAE-BiLSTM-MHAアーキテクチャの心電図異常検出への応用について報告する。
論文参考訳（メタデータ） (2025-10-07T13:30:02Z)
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)
Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
論文参考訳（メタデータ） (2025-06-06T07:56:41Z)
Cardioformer: Advancing AI in ECG Analysis with Multi-Granularity Patching and ResNet [0.6919386619690135]
Cardioformerは、新しいマルチグラニュラリティハイブリッドモデルである。チャネル間のパッチ、階層的残差学習、および2段階の自己認識機構を統合している。一貫して4つの最先端のベースラインを上回ります。
論文参考訳（メタデータ） (2025-05-08T16:44:21Z)
xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM [14.02717596836022]
本稿では,ECG信号のマルチラベル分類手法であるxLSTM-ECGを提案する。我々の知る限り、この研究は、マルチラベルECG分類に特化して適応したxLSTMモジュールの設計と応用を表すものである。
論文参考訳（メタデータ） (2025-04-14T16:12:46Z)
Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
論文参考訳（メタデータ） (2025-02-07T21:09:05Z)
Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文参考訳（メタデータ） (2021-11-25T10:11:41Z)
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。

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。