論文の概要: Cross-Modal Contrastive Learning of ECG and Angiography Representations for Severe Stenosis Classification

• arxiv url: http://arxiv.org/abs/2606.02605v1
• Date: Sat, 23 May 2026 14:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.584949
• Title: Cross-Modal Contrastive Learning of ECG and Angiography Representations for Severe Stenosis Classification
• Title（参考訳）: 重症狭窄分類における心電図と血管造影の相互比較学習
• Authors: Nikola Cenikj, Özgün Turgut, Alexander Müller, Alexander Steger, Jan Kehrer, Marcus Brugger, Daniel Rueckert, Philip Müller,
• Abstract要約: 冠動脈狭窄は一般的な心血管疾患であり、重症で未治療の症例は心臓発作の重大なリスクを訴える。 プレトレーニングフレームワークであるStenCEを導入し,心電図から直接抽出した特徴に基づいて患者の階層化を可能にする。 得られたモデルは心電図における狭窄診断のための信号の検出に成功し,重症狭窄分類において初めて高い性能を達成した。
• 参考スコア（独自算出の注目度）: 79.18126160626093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coronary artery stenosis is a common cardiovascular disease, with severe, untreated cases posing significant risks of heart attack. Although coronary (X-ray) angiograms remain the standard for stenosis diagnosis, they are invasive, time- and resource-intensive, and therefore only performed on patients with a high probability of disease based on symptoms and prior clinical tests. However, a subset of patients, especially those without symptoms, may remain undiagnosed. Detecting indications of stenosis from ECGs, which are fast, cheap, non-invasive, and thus routinely acquired even in asymptomatic patients, would support early diagnosis. However, as no reliable stenosis-specific signal has been identified in ECGs, they can not currently be used for stenosis risk stratification. To address this, we introduce StenCE, a pretraining framework, allowing stratification of patients based on features derived directly from ECGs. Evaluations across varying stenosis severity thresholds and additional ECG disease classification tasks demonstrate consistent performance improvements across different ECG encoders, outperforming previous work. The obtained models successfully detect signals for stenosis diagnosis in ECGs and are the first to achieve high performance in severe stenosis classification. The source code is available at https://github.com/NikolaCenic/ecg-stenosis-cls.
• Abstract（参考訳）: 冠動脈狭窄は一般的な心血管疾患であり、重症で未治療の症例は心臓発作の重大なリスクを訴える。 冠動脈 (X線) 血管造影は狭窄診断の標準であり続けているが, 侵襲的, 時間的, 資源的集約的であり, 症状や先行臨床検査に基づく疾患の発症率が高い症例に限られる。 しかし、一部の患者、特に症状のない患者は未診断のままである。 急速で安価で非侵襲的であり,非症状患者でも日常的に取得される心電図からの狭窄の徴候は早期診断に有効であった。 しかし、ECGでは信頼できる狭窄特異的シグナルが同定されていないため、現在、狭窄リスクの成層には使用できない。 そこで本研究では,心電図から直接派生した特徴に基づいて,患者の階層化を可能にする事前トレーニングフレームワークであるStenCEを紹介する。 各種狭窄重症度閾値および追加のECG疾患分類タスクによる評価は、異なるECGエンコーダ間で一貫した性能改善を示し、以前の研究より優れていた。 得られたモデルは心電図における狭窄診断のための信号の検出に成功し,重症狭窄分類において初めて高い性能を達成した。 ソースコードはhttps://github.com/NikolaCenic/ecg-stenosis-clsで公開されている。

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)
• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• Early Lung Cancer Diagnosis from Virtual Follow-up LDCT Generation via Correlational Autoencoder and Latent Flow Matching [18.151404268026244]
  臨床実践では、リスクの高い患者は、最初のベースラインといくつかの年次経過観察を行う必要がある。 近年, 肺癌の早期診断に人工知能(AI)法が用いられている。 本稿では,CorrFlowNetと名づけられた生成手法を提案する。
  論文  参考訳（メタデータ） (2025-11-22T20:40:05Z)
• Versatile and Risk-Sensitive Cardiac Diagnosis via Graph-Based ECG Signal Representation [29.353421682331327]
  VersAtile と Risk-Sensitive の心臓診断では、不均一な心電図信号を均一にモデル化するためにグラフベースの表現を用いる。 VarSは、心電図信号を、重要な診断特徴を捉えた汎用的なグラフ構造に変換することで際立っている。 VarSは、特定のモデル出力につながる正確な波形をピンポイントすることで、解釈可能性を提供する。
  論文  参考訳（メタデータ） (2025-11-11T08:35:50Z)
• Estimation of Cardiac and Non-cardiac Diagnosis from Electrocardiogram Features [1.068128849363198]
  我々は、ECGの特徴から一般的な診断条件を推測する可能性を検討するために、利用可能なデータセットを用いている。 我々は、心電図の特徴と基本的な人口統計特性に基づいて、ツリーベースモデル(XGBoost)を訓練し、広範囲の診断を推定する。
  論文  参考訳（メタデータ） (2024-08-30T14:42:03Z)
• Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance [41.373856519548404]
  Dynamic Uncertain Causality Graph (DUCG)アプローチは、さまざまなアプリケーションシナリオで因果性駆動、説明可能、不変である。 54件の主訴を含む46件のDUCGモデルが製造された。 実際の診断は100万件以上行われており、誤診断は17例に過ぎなかった。
  論文  参考訳（メタデータ） (2024-06-09T11:37:45Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• 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)
• Analysis of Digitalized ECG Signals Based on Artificial Intelligence and Spectral Analysis Methods Specialized in ARVC [0.0]
  不整脈性右室心筋症(英: arrhythmogenic right ventricular cardiomyopathy、ARVC)は、患者の2年目から4年目に発症する遺伝性心筋疾患である。 心電図(ECGs)に基づくこの疾患の有効かつ時間的診断は、早期の心血管死の減少に重要な役割を担っている。
  論文  参考訳（メタデータ） (2022-02-28T13:12:50Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

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。