論文の概要: Knowledge-Guided Cross-Modal Fusion for Adult-to-Pediatric ECG Transfer via Label-Conditioned Contrastive Alignment

• arxiv url: http://arxiv.org/abs/2607.15928v1
• Date: Fri, 17 Jul 2026 13:11:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.852287
• Title: Knowledge-Guided Cross-Modal Fusion for Adult-to-Pediatric ECG Transfer via Label-Conditioned Contrastive Alignment
• Title（参考訳）: ラベル付きコントラストアライメントによる成人-小児心電図転送のための知識誘導型クロスモーダルフュージョン
• Authors: Xinran Liu, Yuwen Li, Hongxiang Gao, Heyang Xu, Jianqing Li, Zongmin Wang, Chengyu Liu,
• Abstract要約: 成人および小児心電図(ECG)の解釈は年齢感受性基準に依存している。 既存のマルチモーダルECG-テキスト法は、通常、大域的なサンプルレベルで波形とテキストを整列させる。 成人期のMIMIC-IV心電図コーパスを事前訓練した知識誘導フレームワークであるPEACE(Cross-Modal Enhancement)による小児心電図アライメントを提案する。
• 参考スコア（独自算出の注目度）: 14.930028755884548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adult and pediatric electrocardiogram (ECG) interpretation relies on age-sensitive criteria, and models pretrained mainly on adult ECGs often transfer poorly to pediatric populations when pediatric labels are scarce. Existing multimodal ECG--text methods typically align waveforms and text at the global sample level, entangling evidence from co-occurring diagnoses and limiting transfer under this gap. We propose Pediatric-Adult ECG Alignment via Cross-modal Enhancement (PEACE), a knowledge-guided framework pretrained on the largely adult MIMIC-IV ECG corpus. PEACE describes each diagnosis along rhythm, morphology, and ST--T axes and, per recording, composes only positive-label descriptors into three axis tokens and a fused embedding. A label query network (LQN) uses diagnostic labels as queries to cross-attend over ECG tokens and axis tokens, while label set aware bidirectional contrastive learning (LSBC) aligns pooled ECG features with the fused embedding when recordings share diagnoses. Curriculum adaptive fusion (CAF) gates alignment strength according to smoothed classification loss and training progress, limiting disruption during early optimization. The knowledge branch is used only for training supervision; inference uses ECG signals alone. On ZZU-pECG, PEACE reaches macro average AUCs of 59.39%, 81.74%, and 91.56% under zero-shot, 50-shot, and full fine-tuning, with the clearest gains over foundation and knowledge-pretraining baselines under limited supervision; versus domain adaptation initializations, zero-shot improves substantially while 50-shot AUC is comparable to DANN. After fine-tuning on PTB-XL, PEACE reaches 96.90% macro average AUC over nine harmonized labels. Ablations confirm that label-conditioned knowledge alignment, rather than global text fusion, is the key driver of pediatric transfer gains.
• Abstract（参考訳）: 成人および小児心電図(ECG)の解釈は年齢差の基準に依存しており、主に成人心電図で事前訓練されたモデルは、小児のラベルが不足している場合に、小児の人口に劣ることが多い。 既存のマルチモーダルECG-テキスト法は、典型的には、波形とテキストをグローバルなサンプルレベルで整列させ、このギャップの下での診断と移動を制限することによる証拠を隠蔽する。 成人期のMIMIC-IV心電図コーパスを事前訓練した知識誘導フレームワークであるPEACE(Cross-Modal Enhancement)による小児心電図アライメントを提案する。 PEACEはリズム、形態、ST--T軸に沿った各診断を記述し、記録するごとに正ラベル記述子のみを3つの軸トークンと融合埋め込みに構成する。 ラベルクエリネットワーク(LQN)は、診断ラベルをクエリとして使用し、ECGトークンと軸トークンを横断し、ラベルセットは、双方向コントラスト学習(LSBC)を意識し、記録が診断を共有する際に、プールされたECG機能を融合した埋め込みと整合させる。 CAF(Curriculum Adaptive fusion)は、スムーズな分類損失とトレーニングの進捗に応じてアライメント強度を調整し、初期最適化時の破壊を抑える。 知識ブランチはトレーニングの監視にのみ使用され、推論はECG信号のみを使用する。 ZZU-pECG では、PEACE のマクロ平均 AUC は 59.39%、81.74%、91.56% のゼロショット、50ショット、フル微調整で到達し、ファンデーションと知識を制限されたベースラインをはるかに上回り、ドメイン適応の初期化に対してゼロショットは大幅に改善され、50ショット AUC は DANN に匹敵する。 PTB-XLの微調整の後、PEACEは9つの調和ラベルで96.90%のマクロ平均AUCに達した。 アブレーションは、グローバルテキストフュージョンではなく、ラベル条件付き知識アライメントが、小児の転送ゲインの重要な要因であることを確認した。

関連論文リスト

• PEACE: Cross-modal Enhanced Pediatric-Adult ECG Alignment for Robust Pediatric Diagnosis [14.930028755884548]
  本稿では,成人から小児への心電図転送のための構造的クロスモーダルアライメントフレームワークPEACEを提案する。 PEACEは3軸の臨床的意味分解、ラベル-クエリ特徴抽出、カリキュラム-ゲート最適化を統合している。 ZZU-pECGでは、PEACEは59.39%、79.03%、90.89%のAUCをゼロショット、50ショット、フル微調整設定で達成している。
  論文  参考訳（メタデータ） (2026-05-01T13:28:56Z)
• 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)
• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• TolerantECG: A Foundation Model for Imperfect Electrocardiogram [11.059673773528191]
  TolerantECGは、ノイズに対して堅牢で、標準の12リードECGの任意のサブセットで機能するECG信号の基礎モデルである。 TolerantECGトレーニングは、コントラストと自己教師付き学習フレームワークを組み合わせて、ECG信号表現を共同で学習する。 ベンチマークの結果、TolerantECGは、様々なECG信号条件において、最高または第2位のパフォーマーとして一貫してランク付けされている。
  論文  参考訳（メタデータ） (2025-07-14T03:48:35Z)
• 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)
• 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)
• 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)

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。