論文の概要: cAPM: Continual AI-Assisted Pace-Mapping with Active Learning

• arxiv url: http://arxiv.org/abs/2606.19373v1
• Date: Thu, 11 Jun 2026 22:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.410984
• Title: cAPM: Continual AI-Assisted Pace-Mapping with Active Learning
• Title（参考訳）: cAPM: アクティブラーニングによる継続的AI支援ペースマッピング
• Authors: Dylan O'Hara, Pradeep Bajracharya, Casey Meisenzahl, Karli Gillette, Anton J. Prassl, Gernot Plank, Saman Nazarian, Roderick Tung, John L Sapp, Linwei Wang,
• Abstract要約: 心室頻拍は、生命を脅かすリズム障害であり、突然の心臓死の主要な原因である。 ペースマッピング(Pace-mapping)は、VTのカテーテルアブレーション中の介入標的を同定する臨床的方法である。 臨床医を次の講座に導くために、アクティブラーニングAIモデルが提案されている。 我々は、過去のペースマッピングデータから蓄積した知識を捕捉し、伝達するために、継続的AI支援型ペースマッピングのためのcAPMを紹介する。
• 参考スコア（独自算出の注目度）: 6.346026039810275
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Ventricular tachycardia is a life-threatening rhythm disorder and a major cause of sudden cardiac death. Pace-mapping is a clinical procedure for identifying the intervention target during catheter ablation of VT. It requires clinicians to pace different sites in the ventricles and rapidly interpret the resulting electrocardiograms to determine where to pace next or whether a target site has been identified. Active learning AI models have been proposed to guide clinicians to the next pacing site, showing promise in reducing the number of pacing sites and improving the efficiency of pace-mapping. Existing methods require retraining each target without the ability to transfer knowledge across multiple VTs within the same patient or across patients. We introduce cAPM for continuous AI-assisted pace-mapping to capture and transfer knowledge accumulated from past pace-mapping data to reduce the number of pace-mapping data needed for future target VTs. This is made possible by a task-agnostic surrogate neural network that learns the mapping from pacing sites to 12-lead ECG morphology, an active-learning strategy that refines this surrogate model by selecting the most informative pacing site for each target, and a continual learning strategy to do so sequentially while retaining knowledge from prior targets. Evaluated on an in-silico testbed consisting of sequentially-presented localization tasks across different physiological conditions and ventricular geometries, cAPM with and without replay of past data samples achieved an 81% probability of localizing within clinical tolerance (5 mm accuracy) using 4.5 pace-mapping sites, compared to the state-of-the-art active-learning method achieving 38% probability using 13.7 pacing sites. These results provide a strong basis for preparing cAPM towards in-vivo preclinical and clinical studies where it can be used to guide pace-mapping.
• Abstract（参考訳）: 心室頻拍は、生命を脅かすリズム障害であり、突然の心臓死の主要な原因である。 ペースマッピング(Pace-mapping)は、VTのカテーテルアブレーション中の介入標的を同定する臨床的方法である。 臨床医は、心室の異なる部位をペースし、その結果の心電図を迅速に解釈し、次にどの場所をペースするか、ターゲット部位が特定されたかを判断する必要がある。 臨床医を次のペーシングサイトへ誘導するために、アクティブラーニングAIモデルが提案されており、ペーシングサイトの数を減らすこと、ペースマッピングの効率を改善することを約束している。 既存の方法では、同一患者または患者内で複数のVT間で知識を伝達する能力を持たずに、それぞれのターゲットを再訓練する必要がある。 我々は、過去のペースマッピングデータから蓄積した知識を捕捉し、伝達するために、継続的なAI支援型ペースマッピングのためのcAPMを導入し、将来のターゲットVTに必要なペースマッピングデータの数を削減した。 これは、ペーシングサイトから12リードのECG形態へのマッピングを学習するタスク非依存のサロゲートニューラルネットワーク、各ターゲットに対して最も情報性の高いペーシングサイトを選択してこのサロゲートモデルを洗練するアクティブラーニング戦略、および、先行する目標からの知識を保持しながら順次行う連続的な学習戦略によって実現される。 異なる生理的条件と心室ジオメトリーにまたがる連続的に表される局所化タスクからなるサイリコテストベッドにおいて、過去のデータサンプルを再生しないcAPMは、4.5ペースマッピングサイトを用いて臨床寛容(5mm精度)内での局所化の確率を81%達成し、13.7ペーシングサイトを用いて38%の確率を達成した最先端のアクティブラーニング手法と比較した。 これらの結果から,cAPMをin-vivo preclinicalおよび臨床研究に導入し,ペースマッピングの指導に活用できる可能性が示唆された。

関連論文リスト

• Cardiac Output Prediction from Echocardiograms: Self-Supervised Learning with Limited Data [6.297048786887996]
  そこで我々は,SimCLRをベースとした自己教師付き学習(SSL)事前学習戦略を提案し,心エコービデオからCO予測を改善する。 その結果、SSLは過剰適合を軽減し、表現学習を改善し、テストセット上での平均ピアソン相関0.41を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-02-14T18:41:23Z)
• VISION-ICE: Video-based Interpretation and Spatial Identification of Arrhythmia Origins via Neural Networks in Intracardiac Echocardiography [3.3977894536938273]
  不整脈源の局在は、正常洞リズム、左サイド、右サイドの不整脈を区別する3段階の分類課題として定式化されている。 上記の3つのクラスを識別する3次元畳み込みニューラルネットワークを開発した。 10倍のクロスバリデーションでは、前例のない4例に対して平均66.2%の精度で評価された。
  論文  参考訳（メタデータ） (2026-02-04T06:02:03Z)
• Noninvasive Intracranial Pressure Estimation Using Subspace System Identification and Bespoke Machine Learning Algorithms: A Learning-to-Rank Approach [3.213638765666833]
  任意の非侵襲信号を用いて正確なICP値を得るための機械学習フレームワークが提案された。 非侵襲的な信号の特徴と推定誤差の関係を記述するマッピング関数を,革新的なランキング制約を用いて学習する。 本研究は,非侵襲的ICP推定手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2026-01-28T18:10:31Z)
• On the effectiveness of smartphone IMU sensors and Deep Learning in the detection of cardiorespiratory conditions [0.21987601456703473]
  本研究は, 心肺疾患の早期スクリーニングのための, 取得プロトコルに基づく革新的な手法を提案する。 5つの異なる身体領域の加速度計とジャイロスコープで得られた呼吸動態を記録したデータセットを臨床的に収集した。 本研究では,早期心肺疾患スクリーニングのためのエンド・ツー・エンドのディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-08-27T18:29:47Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
  本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
  論文  参考訳（メタデータ） (2020-04-05T16:34:51Z)

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。