Fugu-MT 論文翻訳(概要): ExECG: An Explainable AI Framework for ECG models

論文の概要: ExECG: An Explainable AI Framework for ECG models

arxiv url: http://arxiv.org/abs/2605.19258v1
Date: Tue, 19 May 2026 02:10:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-20 15:03:09.070534
Title: ExECG: An Explainable AI Framework for ECG models
Title（参考訳）: ExECG:ECGモデルのための説明可能なAIフレームワーク
Authors: Jong-Hwan Jang, Yong-yeon Jo,
Abstract要約: 深層学習により、不整脈分類や異常検出などのタスクにおいて、強力なパフォーマンスを持つ心電図診断モデルが実現された。我々は,3段階のパイプラインを提供するPythonフレームワークであるExECG(Explainable AI framework for ECG)を紹介した。 Wrapperは異種ECGフォーマットと中間表現間のアクセスを標準化し,Explainerは共有実行プロトコルの下で多様なXAIメソッドを統一し,Visualizerは統一インターフェース内で一貫したメソッド間比較をサポートする。
参考スコア（独自算出の注目度）: 2.0525671432877854
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has enabled ECG diagnostic models with strong performance in tasks such as arrhythmia classification and abnormality detection. However, accuracy alone is insufficient for clinical deployment because it does not explain why a specific output was produced, limiting justification, error analysis, and trust. Although ECG XAI has been extensively investigated and steadily improved, practical pipelines and reporting conventions vary across studies, hindering reuse and reproducibility. To address these issues, we present Explainable AI framework for ECG models (ExECG), a Python framework that provides a three-stage pipeline: Wrapper standardizes access across heterogeneous ECG formats and intermediate representations, Explainer unifies diverse XAI methods under a shared execution protocol, and Visualizer supports consistent cross-method comparison within a unified interface. We demonstrate end-to-end usage with concise examples and two case studies, highlighting interoperable and reproducible ECG explainability.
Abstract（参考訳）: 深層学習により、不整脈分類や異常検出などのタスクにおいて、強力なパフォーマンスを持つ心電図診断モデルが実現された。しかし、特定のアウトプットがなぜ生成されたのかを説明せず、正当化、エラー分析、信頼を制限するため、臨床展開には正確性だけでは不十分である。 ECG XAIは広く研究され、着実に改善されてきたが、実用的なパイプラインや報告規則は、再利用と再現性を阻害する。 Wrapperは異種ECGフォーマットと中間表現間のアクセスを標準化し、Explainerは共有実行プロトコルの下で多様なXAIメソッドを統一し、Visualizerは統一インターフェース内で一貫したメソッド間比較をサポートする。簡単な例と2つのケーススタディでエンドツーエンドの使用を実証し、相互運用可能で再現可能なECG説明可能性を強調した。

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)
CG-DMER: Hybrid Contrastive-Generative Framework for Disentangled Multimodal ECG Representation Learning [29.83120239597889]
本稿では,多モードECG表現学習のためのコントラスト生成フレームワークであるCG-DMERを提案する。表現のゆがみとアライメント戦略は、不要なノイズとモダリティ固有のバイアスを軽減するために設計されている。 3つの公開データセットの実験は、CG-DMERが様々な下流タスクで最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2026-02-24T17:59:21Z)
ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation [1.7152890789230053]
深層学習は心電図(ECG)の診断において専門家レベルのパフォーマンスを達成したが、これらのモデルの「黒い箱」の性質は臨床展開を妨げている。本稿では,高分解能12リードECG分類に適した解釈可能なメソモルフィックニューラルネットワークECG-IMNを提案する。
論文参考訳（メタデータ） (2026-02-10T09:17:29Z)
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)
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)
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)
CoFE: A Framework Generating Counterfactual ECG for Explainable Cardiac AI-Diagnostics [3.3529020032130803]
textbfCountertextbfFactual textbfECGsを生成するフレームワークを導入し、振幅や間隔などの特定の特徴がモデルの予測決定にどのように影響するかを説明する。我々のフレームワークは、AI-ECGモデルの解釈可能性を高め、より効果的な臨床的意思決定を支援する。
論文参考訳（メタデータ） (2025-08-22T01:33:37Z)
MEETI: A Multimodal ECG Dataset from MIMIC-IV-ECG with Signals, Images, Features and Interpretations [12.00096975933262]
心電図(ECG)は、非侵襲的不整脈、心筋虚血、伝導障害の診断を可能にする、現代の心血管ケアにおける基礎的な役割を担っている。既存のECGデータセットの多くは、単一のモダリティデータのみを提供するか、あるいは少なくとも2つのモダリティを提供するため、さまざまなECG情報を現実世界の設定で理解し統合することのできるモデルを構築するのが難しくなる。我々は、原波形データ、高解像度プロット画像、および大規模言語モデルによって生成された詳細なテキスト解釈を同期する最初の大規模ECGデータセットであるMEETIを紹介する。
論文参考訳（メタデータ） (2025-07-21T05:32:44Z)
CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
論文参考訳（メタデータ） (2025-06-19T06:31:08Z)
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)
Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文参考訳（メタデータ） (2022-03-12T15:24:03Z)

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。