論文の概要: Do ECG Foundation Models Transfer to Rare Cardiac Diseases? Evidence from Brugada Syndrome Detection

• arxiv url: http://arxiv.org/abs/2607.03009v1
• Date: Fri, 03 Jul 2026 06:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.494775
• Title: Do ECG Foundation Models Transfer to Rare Cardiac Diseases? Evidence from Brugada Syndrome Detection
• Title（参考訳）: 心臓疾患への心電図モデル導入 : Brugada 症候群の検出から
• Abstract要約: 大規模未ラベルの生理データに基づいてトレーニングされたファンデーションモデル(FM)は、医療人工知能にとって有望なパラダイムとして現れている。 本研究は、FMプレトレーニングが、心電図(ECG)表現型の改善以上の真の臨床一般化の利点をもたらすかどうかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Foundation models (FMs) trained on large-scale unlabeled physiological data have emerged as a promising paradigm for medical artificial intelligence. Their ability to capture clinically meaningful, transferable representations for rare diseases remains largely unproven. This study investigates whether FM pre-training provides genuine clinical generalization benefits beyond improved optimization for rare electrocardiographic (ECG) phenotypes. Methods: We systematically evaluated nine publicly available ECG FMs for Brugada syndrome detection on the BrSwiss cohort (294 patients, 87 cases) and the independent external HUCA cohort (363 patients, 76 cases), under three strategies (from-scratch training, linear probing, full fine-tuning) across several configurations, including a 3% data ablation and zero-shot cross-site transfers. Results: Pre-training was necessary for high-capacity architectures unable to converge from scratch (AUC gain up to 0.411, p < 0.05), but gave no significant gain for compact architectures already converged on labeled data alone. On full BrSwiss, the best fine-tuned FM (ECG-CPC, AUC = 0.962) only marginally exceeded the strongest supervised baseline (ECG-CPC from scratch, AUC = 0.932; p = 0.091). At matched training-set size, the data-efficiency advantage on BrSwiss-3% (AUC gain = 0.055, p < 0.01) did not replicate on HUCA. Under zero-shot cross-site transfer, FM-based pipelines did not generalize better than supervised baselines, all approaching chance-level performance. Conclusion: For Brugada syndrome detection, FM pre-training is mechanical rather than semantic, providing optimization stability rather than transferable clinical knowledge. These findings challenge the assumption that large-scale pre-training inherently encodes clinically meaningful representations, highlighting the central role of model architecture and data-domain alignment.
• Abstract（参考訳）: 背景: 大規模未ラベルの生理データに基づいて訓練されたファンデーションモデル(FM)は、医療人工知能にとって有望なパラダイムとして現れている。 稀な疾患に対する臨床的に有意義で伝達可能な表現を捉える能力はほとんど証明されていない。 本研究は、FMプレトレーニングが、心電図(ECG)表現型の改善以上の真の臨床一般化の利点をもたらすかどうかを考察する。 方法: BrSwiss cohort (294例, 87例) および独立したHUCA cohort (363例, 76例) におけるブルガダ症候群検出のための9つの公開ECG FMを, 3%データアブレーション, ゼロショットクロスサイト転送を含む3つの構成で, 系統的に評価した。 結果:スクラッチから収束できない高容量アーキテクチャ(AUCは0.411, p < 0.05まで上昇する)には事前トレーニングが必要であったが、ラベル付きデータのみに収束したコンパクトアーキテクチャには大きな利益が得られなかった。 完全なBrSwissでは、最高の微調整FM(ECG-CPC, AUC = 0.962)が最強の監督ベースライン(ECG-CPC, AUC = 0.932; p = 0.091)をわずかに上回った。 一致したトレーニングセットサイズでは、BrSwiss-3%(AUC gain = 0.055, p < 0.01)のデータ効率優位性はHUCAでは再現されなかった。 ゼロショットのクロスサイト転送では、FMベースのパイプラインは教師付きベースラインよりも一般化されず、いずれもチャンスレベルのパフォーマンスに近づいた。 結論: Brugada 症候群の検出においては,FM プレトレーニングは意味よりも機械的であり,伝達可能な臨床知識よりも最適化の安定性を提供する。 これらの知見は、大規模事前学習が本質的に臨床的に意味のある表現をコード化し、モデルアーキテクチャとデータドメインアライメントの中心的な役割を強調しているという仮定に挑戦する。

関連論文リスト

• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Benchmarking Foundation Models for Renal Lesion Stratification in CT [2.051956285018868]
  オープンソース医療基盤モデル(FM)は、医療画像モデルのトレーニングに使用することができる。 ここでは、FMと放射能を比較し、3D ResNet-50をゼロから訓練する。 FMは腎病変の成層化の確立したモデルを超えず、放射線を現在の最先端として残した。
  論文  参考訳（メタデータ） (2026-05-08T13:56:11Z)
• Overcoming data scarcity through multi-center federated learning for organs-at-risk segmentation in pediatric upper abdominal radiotherapy [0.0]
  堅牢な小児専門モデルの開発は、センター間でのデータ不足と断片化によって妨げられている。 フェデレートラーニング(FL)は、データ共有を必要とせずに、プライバシ保護による協調トレーニングを可能にする。 小児特異的OARセグメンテーションモデルを欧州の2つの医療センターで開発するためのFLの有効性と性能について検討した。
  論文  参考訳（メタデータ） (2026-05-07T18:21:43Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology [0.0]
  我々はミュンヘン白血病研究所のデータセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介した。 私たちの主な貢献は、細胞間の生物学的な関係をコード化し、臨床的に危険な誤分類を明示的に罰する、ヒエララルカル・フーカル・ロス・ウィット・クリティカル・ペナルティ(Hierarchical Focal Loss with critical penalties)である。 CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。
  論文  参考訳（メタデータ） (2025-12-09T23:09:22Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)

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。