Fugu-MT 論文翻訳(概要): HeartBeatAI: An Interpretable and Robust Deep Learning Framework for Multi-Label ECG Arrhythmia Detection

論文の概要: HeartBeatAI: An Interpretable and Robust Deep Learning Framework for Multi-Label ECG Arrhythmia Detection

arxiv url: http://arxiv.org/abs/2605.24588v1
Date: Sat, 23 May 2026 13:58:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-26 19:50:18.261435
Title: HeartBeatAI: An Interpretable and Robust Deep Learning Framework for Multi-Label ECG Arrhythmia Detection
Title（参考訳）: HeartBeatAI: マルチラベル心電図不整脈検出のための解釈可能でロバストなディープラーニングフレームワーク
Authors: Shubham Gupta, Nikhil Panwar, Partha Pratim Roy,
Abstract要約: HeartBeatAIは、ドメインの一般化、マルチスケールの機能集約、およびロバスト12リードECG分類のための臨床説明性を組み合わせたディープラーニングフレームワークである。ドメインシフトを軽減するため、フレームワークはMixStyle正規化とLabel Smoothingを採用している。 LoDO評価は、まれな異常の検出において重大な劣化を示し、組織間デプロイメントにおける永続的な課題を浮き彫りにしている。
参考スコア（独自算出の注目度）: 17.31345778518897
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While Deep Learning (DL) enhances automated electrocardiogram (ECG) analysis, clinical deployment is hindered by class imbalance and the generalization gap. This paper presents HeartBeatAI, a deep learning framework combining domain generalization, multi-scale feature aggregation, and clinical explainability for robust 12-lead ECG classification. Moving beyond image-based paradigms, HeartBeatAI integrates a Squeeze-and-Excitation (SE) ResNet to isolate diagnostic leads alongside a Multi-Layer Concentration Pipeline to capture macro-rhythm and micro-morphological anomalies. To mitigate domain shift, the framework employs MixStyle regularization and Label Smoothing. Rigorous benchmarking across four large-scale datasets using intra-source and Leave-One-Domain-Out (LODO) protocols demonstrates high performance (98% Macro F1-score) under intra-source conditions. However, LODO evaluations reveal significant degradation in detecting rare anomalies, highlighting a persistent challenge in cross-institutional deployment.
Abstract（参考訳）: Deep Learning (DL) は心電図自動解析(ECG)を増強するが, 臨床展開はクラス不均衡と一般化ギャップによって妨げられる。本稿では、ドメインの一般化、マルチスケールの特徴集約、およびロバスト12リード心電図分類のための臨床説明性を組み合わせたディープラーニングフレームワークHeartBeatAIを提案する。画像ベースのパラダイムを超えて、HeartBeatAIは、Squeeze-and-Excitation(SE) ResNetを統合して、診断リードをMulti-Layer concentration Pipelineと一緒に分離し、マクロリズムとマイクロモルフォロジーの異常をキャプチャする。ドメインシフトを軽減するため、フレームワークはMixStyle正規化とLabel Smoothingを採用している。イントラソースとLeave-One-Domain-Out(LODO)プロトコルを使用した4つの大規模データセットの厳密なベンチマークは、イントラソース条件下でのハイパフォーマンス(98%のマクロF1スコア)を示す。しかし, LODO評価ではまれな異常の検出が著しく低下し, 施設間展開における継続的な課題が浮き彫りとなった。

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)
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)
Comparative Analysis of Data Augmentation for Clinical ECG Classification with STAR [0.0]
正弦波時間振幅サンプリング(Sinusoidal Time-Amplitude Resampling, STAR)は、連続するRピーク間で厳密に動作するビートワイド増幅である。 STARは実践的なパイプラインのために設計されており、 (i) ピークや間隔を損なうことなくトレーニングの多様性を拡大するモルフォロジー-忠実な変動、 (ii) ソースレジリエンスなトレーニング、デバイス、サイト、コホート間の安定性をデータセット固有のチューニングなしで改善する、 (iv) ビートレベルの拡張によるレアクラスの学習の改善。
論文参考訳（メタデータ） (2025-10-15T14:18:03Z)
FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2025-09-10T19:48:07Z)
Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
論文参考訳（メタデータ） (2025-07-24T09:40:24Z)
EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
論文参考訳（メタデータ） (2025-06-14T08:48:44Z)
Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection [5.614826802517409]
MMAE-ECGはECG信号を非重複セグメントに分割し、各セグメントは学習可能な位置埋め込みを割り当てる。新しいマルチスケールマスキング戦略とマルチスケールアテンション機構は、異なる位置埋め込みとともに、軽量なトランスフォーマーエンコーダを実現する。
論文参考訳（メタデータ） (2025-02-08T08:18:38Z)
Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文参考訳（メタデータ） (2024-10-08T10:03:52Z)
MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
論文参考訳（メタデータ） (2023-12-04T21:46:39Z)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)

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。