論文の概要: ImputeECG: Deep Learning Reconstruction of Complete 12-Lead Electrocardiograms from Incomplete Recordings for Cardiac Assessment

• arxiv url: http://arxiv.org/abs/2607.05009v1
• Date: Mon, 06 Jul 2026 12:51:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.15294
• Title: ImputeECG: Deep Learning Reconstruction of Complete 12-Lead Electrocardiograms from Incomplete Recordings for Cardiac Assessment
• Title（参考訳）: ImputeECG : 不完全心電図による心電図の深部学習再建
• Abstract要約: ImputeECGはマスク付き1次元トランスフォーマーオートエンコーダで、12個のリード、10秒のECGを完了し、観測された全てのサンプルを保持する。 メトリクスは、モルフォロジーと下流診断ユーティリティの分析により、当初欠落していた領域で計算された。 これらの結果は、不完全なECGレコードをAI対応の12リード10秒デジタル信号に変換するための実用的な戦略として、ECG補完を支援する。
• 参考スコア（独自算出の注目度）: 24.857745389886443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complete digital 12-lead electrocardiograms (ECGs) are essential for AI-enabled cardiovascular assessment, yet many clinical ECG records, particularly those digitized from ECG images, remain incomplete because of short display formats, incomplete waveform digitization, lead loss, or signal corruption. We developed ImputeECG, a mask-conditioned one-dimensional Transformer autoencoder that completes 12-lead, 10-s ECGs while retaining all observed samples. The model was trained on PTB-XL and evaluated on PTB-XL and CPSC2018 under simulated incomplete settings, with additional real-world validation in a 43,633-record Kailuan clinical cohort after ECG image digitization. Metrics were computed over originally missing regions, with analyses of morphology and downstream diagnostic utility. On PTB-XL, ImputeECG reduced missing-region MAE by 41.7-51.0% and MSE by 54.0-63.7% versus the strongest baseline, with lower errors in R-peak timing, RR interval, QRS duration, QT interval, and P-wave, QRS-complex, and T-wave reconstruction. On CPSC2018, ImputeECG reduced MAE by 49.7-51.9%, supporting external generalization. In downstream multi-label classification, ImputeECG restored performance to 92.28% AUROC and 33.88% AUPRC in the most incomplete PTB-XL setting, approaching complete-ECG performance. On CPSC2018, completed ECGs achieved 94.75-95.89% AUROC and 78.83-81.86% AUPRC across settings. In Kailuan, ECG completion improved zero-shot sex prediction AUROC from 82.6% to 85.8% and reduced age prediction MAE from 10.72 to 9.87 years after image-based ECG digitization. These findings support ECG completion as a practical strategy for converting incomplete ECG records into AI-ready 12-lead, 10-s digital signals and extending the usable scope of ECG archives for digital cardiac assessment.
• Abstract（参考訳）: 完全デジタル12誘導心電図(ECG)は、AIによる心血管評価に必須であるが、多くの臨床心電図記録(特にECG画像からデジタル化されたもの)は、短い表示形式、不完全な波形のデジタル化、鉛の損失、信号の破損のために不完全である。 マスク条件付き1次元トランスフォーマーオートエンコーダである ImputeECG を開発した。 このモデルはPTB-XLでトレーニングされ、シミュレーションされた不完全条件下でPTB-XLとCPSC2018で評価され、ECG画像のデジタル化後の43,633枚のカイルーアン臨床コホートで追加の現実的検証が行われた。 メトリクスは、モルフォロジーと下流診断ユーティリティの分析により、当初欠落していた領域で計算された。 PTB-XLでは、ImputeECGは欠落領域MAEを41.7-51.0%、MSEを54.0-63.7%削減し、Rピークタイミング、RR間隔、QRS間隔、QT間隔、P波、QRSコンプレックス、T波再構成の誤差を低減した。 CPSC2018で、ImputeECGはMAEを49.7-51.9%削減し、外部一般化をサポートした。 下流のマルチラベル分類では、ImputeECGは92.28% AUROCと33.88% AUPRCに回復し、完全ECG性能に近づいた。 CPSC2018では、完成したECGが94.75-95.89%のAUROCと78.83-81.86%のAUPRCを達成した。 カイルーアンでは、ECGの完成により、ゼロショット性予測のAUROCが82.6%から85.8%に改善され、年齢予測のMAEが10.72から9.87に削減された。 これらの知見は,不完全な心電図記録をAI対応の12ビット10秒デジタル信号に変換し,心電図アーカイブのデジタル心電図評価への応用範囲を拡大するための実用的な戦略として,心電図作成を支援する。

関連論文リスト

• Leveraging Cardiac Imaging to Improve ECG-Based Detection of Chagas Disease in Resource-Constrained Settings [0.12220036674605628]
  チャガス病はラテンアメリカにおける心筋症の主要な原因である。 我々は,CMRに基づく構造知識を,対照的な事前学習を通じてECGに転送することを提案する。
  論文  参考訳（メタデータ） (2026-09-08T11:17:29Z)
• ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning [50.82313761980655]
  ECG-LLMは186,409人を対象にした4つのコホート679,112のECG研究で訓練されたECG条件付き大言語モデルである。 ECG信号、臨床コンテキスト、CMR、ECHOから導かれる、臨床的に構造化された質問応答対をトレーニングする。 心拍数などの従来の心電図測定を成功させ、複雑なCMR由来の表現型を強く予測する。
  論文  参考訳（メタデータ） (2026-07-15T11:06:35Z)
• ECGLight: Compute-Light Framework For Paper ECG Digitization and Myocardial Infarction Screening [0.9627907683022615]
  いくつかの遠隔診療所は、限られた接続性と計算能力のために紙ECGプリントアウトを使用して分析を行っている。 このニーズに対処するため、エンド・ツー・エンドのオン・デバイス・デジタイゼーション・ツー・ダイアグナシスパイプラインを使用します。 PTB-XLデータセットから21,799個のECGをトレーニング,評価し,さらに病院が取得したECG-Matrixデータセットで検証した。
  論文  参考訳（メタデータ） (2026-07-08T17:42:00Z)
• PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation [51.79176059799321]
  フォトプレチスモグラフィーはウェアラブルではユビキタスであるが、ECG特有の診断形態は欠如している。 既存の手法は統計アライメントとデータ駆動生成に依存している。 生理的誘導型潜在フローフレームワークであるPG-LRFを提案する。
  論文  参考訳（メタデータ） (2026-05-09T07:39:58Z)
• 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)
• Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos [53.368813255127115]
  既存の自己教師型手法は、ECGをシングルビューエコーに整列させることで、表現ミスマッチに悩まされる。 本稿では,心電図表現を多視点エコーで捉えることで,心電図表現を充実させるマルチモーダル自己教師型学習フレームワークであるEcho2ECGを提案する。 臨床的に関係のある2つの課題に対して,Echo2ECGをECG特徴抽出器として評価した。
  論文  参考訳（メタデータ） (2026-03-09T15:39:57Z)
• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
  OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。 現在の最先端の証拠は、機能ベースのランダムな森林と畳み込みニューラルネットワーク(CNN)の両方が、OMIのECG検出を改善するための有望なアプローチであることを示唆している。 我々はOMI識別のためのECG--NETを開発し評価する。
  論文  参考訳（メタデータ） (2024-05-08T19:59:16Z)
• Performer: A Novel PPG to ECG Reconstruction Transformer For a Digital Biomarker of Cardiovascular Disease Detection [0.0]
  心臓血管疾患(CVD)は死因の上位1つとなり、これらの死亡の4分の3は低所得層で発生している。 心電図 (ECG) は, ユーザ参加の必要性から, 連続心臓モニタリングには有効ではない。 フォトプレチスモグラフィーは容易に収集できるが、精度の制限により臨床応用は制限される。
  論文  参考訳（メタデータ） (2022-04-25T17:10:13Z)
• Blind ECG Restoration by Operational Cycle-GANs [15.264145425539128]
  心電図信号の持続的長期モニタリングは不整脈などの心疾患の早期発見に不可欠である。 非クリニカルECG記録は、ベースライン、信号カット、モーションアーティファクト、QRS振幅の変動、ノイズ、その他の干渉といった深刻なアーティファクトに悩まされることが多い。 サイクル整合型生成対向ネットワーク(Cycle-GAN)を用いた盲検心電図復元のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-01-29T19:47:17Z)
• ECG Signal Super-resolution by Considering Reconstruction and Cardiac Arrhythmias Classification Loss [0.0]
  圧縮ECG信号を復元するための深層学習型ECG信号スーパーレゾリューションフレームワーク(ESRNet)を提案する。 実験の結果,提案するESRNetフレームワークは10回圧縮されたECG信号を十分に再構成できることがわかった。
  論文  参考訳（メタデータ） (2020-12-07T15:43:50Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。