論文の概要: Explainable Artificial Intelligence For The Detection and Characterisation of Stage B Heart Failure

• arxiv url: http://arxiv.org/abs/2606.30665v1
• Date: Thu, 18 Jun 2026 08:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.624685
• Title: Explainable Artificial Intelligence For The Detection and Characterisation of Stage B Heart Failure
• Title（参考訳）: ステージB心不全の診断と特徴化のための説明可能な人工知能
• Abstract要約: 説明可能な人工知能(XAI)は早期発見、透明なリスク階層化、臨床的に実行可能な介入の選択をサポートする。 XAIは、ステージBの心不全識別における透明性向上を約束しているが、現在の実装は限定的だ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stage B heart failure is characterized by asymptomatic structural or functional cardiac abnormalities. Identifying individuals at this stage is clinically important, as early detection may enable targeted interventions to prevent progression to symptomatic disease. Explainable artificial intelligence (XAI) may support early detection, transparent risk stratification, and selection of clinically actionable interventions. This review examines the use of XAI in detecting and characterizing stage B heart failure. A literature search of Web of Science, Scopus, and PubMed was conducted on 27 March 2026. Studies were included if they applied AI with XAI techniques to stage B heart failure. After screening, 20 studies were included. Data on modalities, outcomes, demographic reporting, and XAI methods were extracted and synthesized. SHAP was the most commonly used method, followed by LIME, saliency maps, and Grad-CAM; however, XAI adoption was inconsistent, with some studies relying on limited or ad hoc interpretability approaches. Notably, none compared explanations across sex or ethnic subgroups, despite evidence of subgroup differences in disease burden. Evaluation of XAI outputs was often insufficient: some studies did not assess explanations, while others relied only on literature-based comparisons, introducing potential bias. These limitations suggest explainability was not systematically validated or leveraged to support robust and fair clinical inference. XAI shows promise for improving transparency in stage B heart failure identification, but current implementations remain limited. Key gaps include limited consideration of sex and ethnicity, absence of subgroup-specific analyses, inconsistent evaluation, and lack of external validation, all of which constrain generalisability and clinical adoption.
• Abstract（参考訳）: B期心不全は無症候性または機能的心不全を特徴とする。 この段階で個人を特定することは臨床的に重要であり、早期発見は症状疾患の進行を予防するために標的の介入を可能にする可能性がある。 説明可能な人工知能(XAI)は早期発見、透明なリスク階層化、臨床的に実行可能な介入の選択をサポートする。 本総説では,第B期心不全の検出・特徴化におけるXAIの使用について検討する。 Web of Science, Scopus, and PubMedの文献検索は2026年3月27日に行われた。 研究は、XAI技術を用いたAIをステージB心不全に適用した場合に含まれた。 審査後、20の試験が実施された。 モダリティ,結果,人口統計,XAI手法に関するデータを抽出,合成した。 SHAPは, LIME, saliency map, Grad-CAMに次いで最もよく用いられる手法であったが, XAIの採用は不整合であり, 限定的, アドホックな解釈可能性に頼っている研究もある。 特に、病気の重荷のサブグループの違いの証拠にもかかわらず、性別や民族のサブグループ間での説明は比較されなかった。 XAIのアウトプットの評価は不十分な場合が多く、ある研究は説明を評価せず、ある研究は文献に基づく比較にのみ依存し、潜在的なバイアスを導入した。 これらの制限は、説明可能性の体系的検証や、堅牢で公正な臨床推論を支援するために活用されていないことを示唆している。 XAIは、ステージBの心不全識別における透明性向上を約束しているが、現在の実装は限定的だ。 鍵となるギャップは、性別と民族性の限られた考慮、サブグループ固有の分析の欠如、一貫性のない評価、外部検証の欠如である。

関連論文リスト

• Artificial Intelligence Across the Cardiac Amyloidosis Diagnostic Pathway: From Single-Modality Detection to Multimodal Clinical Integration [4.135101075562519]
  心アミロイドーシス (CA) はますます認識されるが, ほとんど診断されていない。 機械学習とディープラーニングは、診断と管理の経路を越えて適用されている。
  論文  参考訳（メタデータ） (2026-07-10T20:02:50Z)
• Cross-Modal Contrastive Learning of ECG and Angiography Representations for Severe Stenosis Classification [79.18126160626093]
  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。
  論文  参考訳（メタデータ） (2026-05-23T14:50:22Z)
• Medical Model Synthesis Architectures: A Case Study [72.46211022258122]
  現在のAIシステムは、不確実性の下で調整された推論に苦労している。 我々は,不確実性の下で,現実的に有用だが公式に透過的な臨床予測を行うことができるAIシステムのためのフレームワークを提案する。 このフレームワークの最初の概念実証は、どのようにして差分診断に利用できるかを示す。
  論文  参考訳（メタデータ） (2026-05-10T19:30:16Z)
• Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring [50.164756034797136]
  臨床研究ではドロップアウトが一般的で、副作用やその他の理由で患者の半数以上が早期に退院する。 ドロップアウトが有益な場合、治療効果の推定値にもバイアスがかかるため、検閲バイアスが導入される。 検閲バイアスに直面した場合の生存分析における条件平均処理効果推定のロバスト性を評価するための仮定リーンフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-15T10:51:17Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• KnowGuard: Knowledge-Driven Abstention for Multi-Round Clinical Reasoning [44.49237466254508]
  臨床実践では、患者情報が不十分な場合、医師は意思決定を控える。 禁忌として知られるこの行動は、潜在的に有害な誤診を防ぐ重要な安全メカニズムである。 臨床意思決定のための体系的な知識グラフ探索を統合する新しいパラダイムであるKnowGuardを提案する。
  論文  参考訳（メタデータ） (2025-09-29T14:03:01Z)
• Artificial Intelligence-Informed Handheld Breast Ultrasound for Screening: A Systematic Review of Diagnostic Test Accuracy [0.3859048418931631]
  ハンドヘルド乳房超音波(BUS)は安価な代替品であるが、かなりの訓練が必要である。 人工知能(AI)により、BUSは乳がんの検出(知覚)と分類(解釈)の両方を支援できる。 発見:185,000人以上の患者の570万のBUS画像がAIトレーニングや検証に使用された。
  論文  参考訳（メタデータ） (2024-11-11T19:31:06Z)
• Slicing Through Bias: Explaining Performance Gaps in Medical Image Analysis using Slice Discovery Methods [5.274804664403783]
  我々はSlice Discovery Methodsを用いて、観測された性能格差の原因に関する仮説とデータの解釈可能な未実行部分集合を同定する。 本研究は, 仮説定式化におけるSDMの有効性を実証し, 既往の男女間パフォーマンスの相違について解説する。
  論文  参考訳（メタデータ） (2024-06-17T23:08:46Z)
• A survey of recent methods for addressing AI fairness and bias in biomedicine [48.46929081146017]
  人工知能システムは、人種や性別に基づくような社会的不平等を永続するか、偏見を示すことができる。 バイオメディカル自然言語処理 (NLP) やコンピュータビジョン (CV) の分野での様々な脱バイアス法に関する最近の論文を調査した。 我々は,2018年1月から2023年12月にかけて,複数のキーワードの組み合わせを用いて,PubMed,ACMデジタルライブラリ,IEEE Xploreに関する文献検索を行った。 バイオメディシンに応用可能な一般領域からの他の方法について検討し, バイアスに対処し, 公平性を向上する方法について検討した。
  論文  参考訳（メタデータ） (2024-02-13T06:38:46Z)
• 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)
• Dermatologist-like explainable AI enhances trust and confidence in diagnosing melanoma [0.0]
  人工知能システムがメラノーマを識別する方法における透明性の欠如は、ユーザーの受け入れに深刻な障害をもたらす。 ほとんどのXAI法は、正確に位置付けられたドメイン固有の説明を生成できないため、説明の解釈が困難である。 我々は、皮膚科医が容易に解釈できるテキストと地域に基づく説明を生成するXAIシステムを開発した。
  論文  参考訳（メタデータ） (2023-03-17T17:25:55Z)
• Using Explainable AI to Cross-Validate Socio-economic Disparities Among Covid-19 Patient Mortality [7.897897974226182]
  本稿では、XAI法を用いて、新型コロナウイルス患者の死亡率における社会経済的格差について検討する。 XAIモデルは、メディケアのファイナンシャルクラス、高齢者、性別が死亡予測に高い影響を与えることを明らかにした。
  論文  参考訳（メタデータ） (2023-02-16T22:09:05Z)
• 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。