論文の概要: ECGLight: Compute-Light Framework For Paper ECG Digitization and Myocardial Infarction Screening
- arxiv url: http://arxiv.org/abs/2607.07683v1
- Date: Wed, 08 Jul 2026 17:42:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.481438
- Title: ECGLight: Compute-Light Framework For Paper ECG Digitization and Myocardial Infarction Screening
- Title（参考訳）: ECGLight:紙心電図のデジタル化と心筋梗塞スクリーニングのためのCompute-Lightフレームワーク
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9627907683022615
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Electrocardiography (ECG) is one of the most widely used tests for diagnosing cardiovascular disease. Yet several remote clinics still utilize paper ECG printouts for their analysis due to limited connectivity and computational capacity. As a result, vast numbers of physical ECGs obtained in remote areas still remain incapable of being accessed by contemporary artificial-intelligence (AI)-based decision support as they require high computational resources or strong high-speed internet connectivity. This causes several cases where conditions like acute coronary occlusion (ACS) is overlooked and reperfusion therapy delayed. Although prior work has tackled digitization and diagnosis separately, and utilized advanced AI models for them, there still remains a lack of a compute-light, on-device framework that reconstructs paper ECGs at high fidelity, while accurately supporting multiple clinically relevant endpoints. We address this need with an end-to-end lightweight on-device digitization-to-diagnosis pipeline that converts a smartphone photo or scan of a paper ECG into a calibrated 12-lead signal and screens for Myocardial Infarction (MI) pathologies, with SHapley Additive exPlanations (SHAP) to support interpretability. Trained and evaluated on 21,799 ECGs from the PTB-XL dataset and further validated on hospital-acquired ECG-Matrix dataset, the complete system runs in <30 s per ECG on CPU-only resources, achieving 95.51% accuracy (F1 = 0.9519) for MI detection on PTB-XL and 88.89% accuracy (F1 = 0.8862) for OMI detection on ECG-Matrix. This work showcases that legacy paper records can be reliably democratized in any part of the world, providing a scalable decision support when digital ECG export, connectivity, or high-end compute are unavailable
- Abstract（参考訳）: 心電図(ECG)は心血管疾患の診断に最も広く用いられている検査の一つである。
しかし、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。
その結果、遠隔地で得られる大量の物理ECGは、高い計算資源や強力な高速インターネット接続を必要とするため、現代人工知能(AI)ベースの意思決定サポートによってアクセスできないままとなった。
これにより、急性冠閉塞症(ACS)などの症状が軽視され、再灌流療法が遅れるケースが複数存在する。
以前の作業では、デジタル化と診断に別々に取り組み、高度なAIモデルを使用したが、複数の臨床関連エンドポイントを正確にサポートしながら、高い忠実度で紙ECGを再構築する計算軽快なオンデバイスフレームワークはいまだに存在しない。
このニーズに対処するため,紙ECGのスマートフォン写真やスキャンを,SHAP(SHapley Additive exPlanations, SHAP)を用いて校正した12リードの信号とスクリーンに変換する,エンド・ツー・エンドのオン・デバイスデジタル化・診断パイプラインで対処する。
PTB-XLデータセットから21,799個のECGをトレーニングし、さらに病院が取得したECG-Matrixデータセットで検証し、完全なシステムはCPUのみのリソースで1ECG当たり30秒で動作し、PTB-XLでのMI検出では95.51%の精度(F1 = 0.9519)、ECG-MatrixでのOMI検出では88.89%の精度(F1 = 0.8862)を達成した。
デジタルECGのエクスポート、接続性、ハイエンドコンピューティングが利用できない場合に、スケーラブルな意思決定支援を提供する。
関連論文リスト
- 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) - ImputeECG: Deep Learning Reconstruction of Complete 12-Lead Electrocardiograms from Incomplete Recordings for Cardiac Assessment [24.857745389886443]
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。
論文 参考訳（メタデータ） (2026-07-06T12:51:05Z) - 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) - GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。
GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。
基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
論文 参考訳（メタデータ） (2025-03-08T05:48:53Z) - Arrhythmia Classification from 12-Lead ECG Signals Using Convolutional and Transformer-Based Deep Learning Models [0.0]
ルーマニアでは、心臓血管疾患が死因の主要な原因であり、毎年の死者の3分の1近くを占める。
本稿では, 資源制約型医療環境における不整脈診断の効率化, 軽量化, 迅速化を図ることを目的とする。
論文 参考訳（メタデータ） (2025-02-25T06:17:52Z) - An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains [17.809094003643523]
ECG Foundation Model (ECGFounder)は、Harvard-Emory ECG Databaseから150のラベルカテゴリを持つ1000万以上のECGをトレーニングしている。
ECGFounderは内部検証セットのエキスパートレベルのパフォーマンスを達成し、AUROCは80の診断で0.95を超えている。
微調整されたECGFounderは、人口統計分析、臨床イベント検出、心拍数横断診断においてベースラインモデルを上回っている。
論文 参考訳（メタデータ） (2024-10-05T12:12:02Z) - MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。
最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。
LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T23:20:56Z) - Towards Personalized Healthcare in Cardiac Population: The Development
of a Wearable ECG Monitoring System, an ECG Lossy Compression Schema, and a
ResNet-Based AF Detector [19.706400613998703]
心房細動(AF)は通常、心電図(ECG)を用いて診断される。
本書では、ウェアラブルECGデバイス、モバイルアプリケーション、バックエンドサーバを具現化したパーソナライズされた医療システムの設計と実装について述べる。
論文 参考訳（メタデータ） (2022-07-11T19:08:46Z) - CardioLearn: A Cloud Deep Learning Service for Cardiac Disease Detection
from Electrocardiogram [5.697086783381729]
CardioLearnというECGの心臓疾患検出のためのクラウド深層学習サービスの構築,トレーニング,運用について,我々の研究成果を実演する。
実用的な例として、我々は、いつでもどこでも心電図を収集し、心疾患を検出できるインタラクティブなモバイルプログラムとともに、ポータブルなスマートハードウェアデバイスを設計する。
論文 参考訳（メタデータ） (2020-07-04T18:48:24Z) - 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。