論文の概要: Angular Gaussian Supervised Contrastive Learning for Long-Tailed Electrocardiogram Arrhythmia Diagnosis

• arxiv url: http://arxiv.org/abs/2607.14613v1
• Date: Thu, 16 Jul 2026 06:21:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.011199
• Title: Angular Gaussian Supervised Contrastive Learning for Long-Tailed Electrocardiogram Arrhythmia Diagnosis
• Title（参考訳）: 長手型心電図不整脈診断のための角型ガウス教師によるコントラスト学習
• Abstract要約: 長期ラベル分布は心電図不整脈診断における深層学習の信頼性を低下させる。 本研究は,長期の多ラベル心電図診断において,Angular Gaussian Supervised Contrastive Learning (AG-SCL)を提案する。
• 参考スコア（独自算出の注目度）: 2.963192365615802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-tailed label distributions reduce the reliability of deep learning for electrocardiogram (ECG) arrhythmia diagnosis, particularly for clinically important but rare abnormalities. Existing rebalancing and logit adjustment methods mainly address class frequency while overlooking direction-dependent morphological variability across ECG classes. This study proposes Angular Gaussian Supervised Contrastive Learning (AG-SCL) for long-tailed multi-label ECG diagnosis. AG-SCL integrates three components into a unified framework: an Angular Gaussian contrastive branch that models full-covariance class uncertainty on unit-normalized embeddings, Adaptive Logit Adjustment that learns bounded label-state-specific prior corrections instead of fixed frequency-based margins, and tail-aware augmentation that generates morphology-preserving views while protecting the 7-25 Hz QRS-dominant band. The method was evaluated on the public PTB-XL benchmark and a nocturnal ECG dataset comprising 1317 hours of recordings from 141 subjects. AG-SCL achieved the best macro-level performance on both datasets. On PTB-XL, it obtained a balanced accuracy of 0.838, sensitivity of 0.709, specificity of 0.968, mean average precision of 0.495, and TPR at 5% FPR of 0.778. On Noc-ECG, the corresponding values were 0.918, 0.889, 0.947, 0.488, and 0.900. The largest gains occurred in rare or morphologically unstable rhythm classes, while ablation studies confirmed the contributions of full-covariance modelling, Adaptive Logit Adjustment, and tail-aware augmentation. AG-SCL improves long-tailed ECG diagnosis by combining prior calibration with anisotropic representation learning, enhancing sensitivity to rare arrhythmias while maintaining clinically relevant specificity. Our code is available at: https://github.com/Open-EXG/AG-SCL-for-Long-Tailed-ECG.
• Abstract（参考訳）: 長期ラベル分布は心電図不整脈診断における深層学習の信頼性を低下させる。 既存のリバランシングとロジット調整は、主に、ECGクラス間の方向依存的な形態的変動を見越しながら、クラス周波数に対処する。 本研究は,長期の多ラベル心電図診断において,Angular Gaussian Supervised Contrastive Learning (AG-SCL)を提案する。 AG-SCLは3つのコンポーネントを統合フレームワークに統合している。Angular Gaussianのコントラストブランチは、単位正規化された埋め込みに対して完全な共分散クラス不確かさをモデル化し、Adaptive Logit Adjustmentは、固定周波数ベースのマージンの代わりに境界付きラベル固有の事前修正を学習し、tail-aware Augmentationは、7-25HzのQRS支配バンドを保護しながら、形態保存ビューを生成する。 本手法は,141名の被験者から1317時間記録した夜間心電図データを用いて,パブリックPTB-XLベンチマークおよび夜間心電図データを用いて評価した。 AG-SCLは両方のデータセットで最高のマクロレベルのパフォーマンスを達成した。 PTB-XLでは 0.838、感度 0.709、特異度 0.968、平均精度 0.495、TPR 5% FPR 0.778 が得られた。 Noc-ECGでは、対応する値は0.918、0.889、0.947、0.488、0.900である。 最大利得は、まれまたは形態学的に不安定なリズムクラスで、アブレーション研究は、完全共分散モデリング、適応ロジット調整、テールアウェア増強の寄与を確認した。 AG-SCLは、先行校正と異方性表現学習を併用し、臨床的に関連性のある特異性を維持しながら、まれな不整脈に対する感受性を高めることにより、長期の心電図診断を改善する。 私たちのコードは、https://github.com/Open-EXG/AG-SCL-for-Long-Tailed-ECGで利用可能です。

関連論文リスト

• SafeECGMatch: Calibration-Aware Joint Frequency and Time Space Semi-Supervised Learning for Open-Set ECG Classification [0.014257559724536567]
  単一ラベルECG分類のためのキャリブレーション対応安全なSSLフレームワークであるSafeECGMatchを提案する。 メソッド的には、SafeECGMatchは時間周波数潜在表現を抽出するデュアルブランチアーキテクチャを採用している。 PTB-XL と PhysioNet/CinC Challenge のベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-06-06T07:57:22Z)
• 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)
• FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
  FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。 はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。 伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-09-10T19:48:07Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Masked Training for Robust Arrhythmia Detection from Digitalized Multiple Layout ECG Images [15.710783507780903]
  この研究は適応的可変ブロック数欠落表現学習のためのフレームワークであるPatchECGを導入した。 PatchECGは、リード間の協調依存関係を持つキーパッチに自動的にフォーカスし、異なるレイアウトのECGにおける不整脈をキー認識する。
  論文  参考訳（メタデータ） (2025-08-06T07:55:05Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
  本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。 提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
  論文  参考訳（メタデータ） (2024-10-09T11:17:02Z)
• PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
  犬心電図(ECG)の評価には熟練した獣医が必要である。 心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。 犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
  論文  参考訳（メタデータ） (2023-05-17T09:06:39Z)
• 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)
• 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)
• 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)

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。