論文の概要: Uncertainty-aware classification and triage of structural heart disease using electrocardiography and echocardiography metrics
- arxiv url: http://arxiv.org/abs/2605.22968v1
- Date: Thu, 21 May 2026 18:55:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 17:29:20.064804
- Title: Uncertainty-aware classification and triage of structural heart disease using electrocardiography and echocardiography metrics
- Title（参考訳）: 心電図と心エコー図を用いた構造心疾患の異常分類とトリアージ
- Authors: Mitchel J. Colebank,
- Abstract要約: 心電図(ECG)データを用いた構造心疾患(SHD)スクリーニングへの最近の投資がその一例である。
我々はベイズ的手法がSHD分類における頻繁な手法と同等かそれ以上であることを示す。
本稿では,この不確実性を考慮した分類手法を用いてSHDのスクリーニングを行う例を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine learning methods provide a methodological innovation that can help screen for cardiovascular disease through noninvasive and readily available measurement modalities. Recent investments in using electrocardiogram (ECG) data to screen for structural heart disease (SHD) are one example, where ECGs provide a low-cost, available modality for screening. This has led to the EchoNext dataset, a paired ECG-echocardiogram data repository for testing new methods of SHD detection. However, relatively few studies have investigated how more probabilistic classification through Bayesian inference may improve uncertainty quantification in this setting. Moreover, few studies have considered how triage systems can be developed to alleviate healthcare bottlenecks, such as the review of data from underserved, rural clinics by expert sonographers for SHD assessment. In this study, we leverage existing ECG-echocardiogram data to compare frequentist and Bayesian neural network classifiers. We show that the Bayesian approach is comparable or better than frequentist methods in SHD classification, and that they have a more robust uncertainty quantification attached to them. We provide an example of how this uncertainty-aware classification scheme can be used for screening SHD, providing a proof-of-concept for how machine learning can help with triage in getting individuals expert sonographer input when SHD is highly likely or measurements are highly uncertain.
- Abstract（参考訳）: 機械学習の手法は、非侵襲的で容易に測定可能な手段を通じて、心血管疾患のスクリーニングを支援する方法の革新を提供する。
心電図(ECG)データを用いた構造心疾患(SHD)スクリーニングへの最近の投資は、心電図が安価なスクリーニング用モダリティを提供する一例である。
これは、新しいSHD検出方法をテストするためのペアのECG-echocardiogramデータリポジトリであるEchoNextデータセットにつながった。
しかし、ベイズ推定によるより確率論的分類が、この設定における不確実な定量化をいかに改善するかを調査する研究は比較的少ない。
さらに、SHD評価のための専門的ソノグラフィーによる未整備の農村クリニックのデータレビューなど、医療ボトルネックを軽減するためにトリアージシステムをいかに開発できるかを考察する研究はほとんどない。
本研究では,既存の心電図・心電図データを用いて,頻発性ニューラルネットワークとベイズ型ニューラルネットワークの分類器を比較した。
ベイズ的手法は、SHD分類における頻繁な手法と同等かそれ以上であり、それらにより堅牢な不確実性定量化が付加されていることを示す。
本稿では,この不確実性を考慮した分類手法をSHDのスクリーニングに利用し,SHDの確率が高い場合や測定値が極めて不確実な場合には,機械学習が個人の専門家によるソノグラフ入力のトリアージにどのように役立つかを示す。
関連論文リスト
- 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) - Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches [35.899401205042615]
本稿では、バイナリ分類問題を解決するために、データの早期融合を伴う畳み込みニューラルネットワークを提案する。
提案手法は,最先端技術と比較してメモリフットプリントと計算コストを3桁削減する。
論文 参考訳（メタデータ） (2025-10-21T14:23:20Z) - Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。
その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。
今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
論文 参考訳（メタデータ） (2024-12-17T18:07:40Z) - ECG-Based Patient Identification: A Comprehensive Evaluation Across Health and Activity Conditions [0.0]
本稿では,心電図信号を用いた医療システムにおける患者識別のための新しいアプローチを提案する。
畳み込みニューラルネットワーク(CNN)は、心電図信号から派生した特定のタイプの画像である心電図に基づいてユーザを分類するために使用される。
提案した同定システムは複数のデータベースで評価され、健常者では99.84%、循環器疾患では97.09%、健常者および不整脈患者では97.89%である。
論文 参考訳（メタデータ） (2023-02-13T17:14:55Z) - A lightweight hybrid CNN-LSTM model for ECG-based arrhythmia detection [0.0]
本稿では,8種類の心不整脈と正常リズムの高精度検出のための光深度学習手法を提案する。
各種心電図信号を用いた不整脈分類モデルの試作と試験を行った。
論文 参考訳（メタデータ） (2022-08-29T05:01:04Z) - GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for
Robust Electrocardiogram Prediction [20.8603653664403]
本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。
我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。
12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
論文 参考訳（メタデータ） (2022-08-02T03:14:13Z) - Identifying Electrocardiogram Abnormalities Using a
Handcrafted-Rule-Enhanced Neural Network [18.859487271034336]
我々は、深層学習に基づく心電図解析に臨床知識を提供するために、畳み込みニューラルネットワークにいくつかのルールを導入する。
我々の新しいアプローチは、既存の最先端の手法をかなり上回っている。
論文 参考訳（メタデータ） (2022-06-16T04:42:57Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - 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) - Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。
我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。
提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-04-02T02:09:11Z)
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。