論文の概要: ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning
- arxiv url: http://arxiv.org/abs/2607.16323v1
- Date: Wed, 15 Jul 2026 11:06:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.111737
- Title: ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning
- Title（参考訳）: ECG-LLM:心電図に基づく心臓共鳴の基礎モデル
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 50.82313761980655
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electrocardiography (ECG) is an inexpensive, standard-of-care test for cardiac symptoms, but front-line triage often lacks immediate access to definitive imaging such as echocardiography (ECHO) or cardiac magnetic resonance (CMR). Furthermore, most existing ECGAI systems are limited to fixed diagnostic labels or automated reports, constraining their use for patient-specific clinical reasoning. To address this gap, we introduce ECG-LLM, an ECG-conditioned large language model trained across four cohorts comprising 679,112 ECG studies from 186,409 patients. Using a novel multimodal-to-language supervision strategy, ECG-LLM is trained on clinically structured question-answer pairs derived from ECG signals, clinical context, CMR, and ECHO. This unified approach enables the model to answer diverse cardiovascular questions from a 12-lead ECG alone, spanning both conventional interpretation and phenotypes not directly visible on standard ECGs. ECG-LLM successfully recovers conventional ECG measurements, such as heart rate, and strongly predicts complex CMR-derived phenotypes, including ventricular and atrial volumes and ventricular function. Crucially, it detects vital echocardiographic phenotypes, including increased LV wall thickness, aortic stenosis, and right-ventricular systolic dysfunction. On standard ECG understanding tasks, ECG-LLM matches or exceeds existing baselines for diagnostic report generation and the ECG-QA benchmark. By moving beyond fixed-label prediction, this multimodal framework provides clinically valuable, question-driven cardiovascular reasoning to support general practitioner and front-line triage decisions when specialist review is delayed.
- Abstract（参考訳）: 心電図(ECG)は、心臓症状の診断基準として安価であるが、心エコー法(ECHO)や心臓磁気共鳴法(CMR)のような画像にすぐにアクセスできないことが多い。
さらに、既存のECGAIシステムの多くは、固定診断ラベルや自動報告に限られており、患者固有の臨床推論に使用を制限している。
このギャップに対処するために,186,409人の心電図679,112例からなる4つのコホートで訓練されたECG条件付き大言語モデルECG-LLMを導入した。
新規な多言語間監視戦略を用いて,ECG信号,臨床コンテキスト,CMR,心電図から抽出した質問応答対について,ECG-LLMを訓練した。
この統一されたアプローチにより、モデルは12個の心電図のみから多様な心血管系質問に答えることができ、標準心電図では直接見えない従来の解釈と表現型の両方にまたがる。
ECG-LLMは、心拍数などの従来の心電図測定値の回復に成功し、心室、心房容積、心室機能を含む複雑なCMR由来の表現型を強く予測する。
重要なことは、LV壁の厚みの増加、大動脈狭窄症、右室収縮不全など、重要な心エコーの表現型を検出することである。
標準的なECG理解タスクでは、ECG-LLMは診断レポート生成のための既存のベースラインとECG-QAベンチマークを一致または超過する。
固定ラベル予測を超えて、このマルチモーダル・フレームワークは、臨床的に価値のある質問駆動型心血管推論を提供し、専門家のレビューが遅れたとき、一般的な実践者やフロントラインのトリアージ決定を支援する。
関連論文リスト
- Diagnosing as Cardiologists Do: ECG Agents with Doctor-Grounded Priors for Clinical Reasoning Across Diseases and Populations [18.282452158790257]
心臓科医は、波形成分の局在化、リズムと間隔パターンの測定、これらの構造化された観察を診断証拠に翻訳することで心電図を解釈する。
臨床的に構造化されたECG推論フレームワークであるLuminaECGを紹介する。
ECG信号は標準的な心電図グリッド紙に描画され、臨床読影に使用される空間的およびスケール的な手がかりを保存する。
論文 参考訳（メタデータ） (2026-08-10T03:00:35Z) - Learning Cardiac Latent Representations in Vectorcardiogram Space [54.12639543496968]
既存の方法は、観測可能なECG信号空間でのみ動作する。
本稿では,VCG空間内で直接心臓電気活動の潜在性統一表現を学習することを提案する。
LVCGは、この物理的に接地された潜在空間で動作するように設計された、最初の汎用的な自己教師型表現学習フレームワークである。
論文 参考訳（メタデータ） (2026-05-29T12:48:12Z) - A Signal-Language Foundation Model for Broad-Spectrum Cardiovascular Assessment from Routine Electrocardiography [11.95199497112656]
我々はECGコントラスト言語画像事前学習(ECGCLIP)を開発した。
ECGCLIPは信号言語によるコントラスト学習フレームワークであり、ECG波形と専門診断報告を整合させる。
1,324,856人の心電図2,837,962例を対象にECGCLIPを評価した。
論文 参考訳（メタデータ） (2026-05-25T05:51:44Z) - 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) - 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) - 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) - Reconstructing 12-Lead ECG from 3-Lead ECG using Variational Autoencoder to Improve Cardiac Disease Detection of Wearable ECG Devices [22.76333494370181]
可変オートエンコーダ(VAE)方式であるWearECGを提案する。
我々のモデルには、ECG信号の時間的および空間的依存をよりよく捉えるためのアーキテクチャの改善が含まれている。
大規模プレトレーニングECGモデルであるECGFounderを,40以上の心条件を含む多ラベル分類タスクで微調整する。
論文 参考訳（メタデータ） (2025-10-13T14:14:37Z) - Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。
Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。
Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
論文 参考訳（メタデータ） (2025-06-06T07:56:41Z) - Translating Electrocardiograms to Cardiac Magnetic Resonance Imaging Useful for Cardiac Assessment and Disease Screening: A Multi-Center Study AI for ECG to CMR Translation Study [30.84196213860778]
心臓血管疾患(CVD)は世界的な死亡の原因であり、アクセス可能で正確な診断ツールを必要とする。
12個の心電図信号をCMRレベルの機能パラメータと合成画像に変換するディープラーニングフレームワークであるCardioNetsを提案する。
読者の研究では、ECGのみのCardioNetsは、ECGと実際のCMRの両方を用いて、人間の医師よりも13.9%高い精度を達成した。
論文 参考訳（メタデータ） (2024-11-19T09:09:14Z) - Estimation of Cardiac and Non-cardiac Diagnosis from Electrocardiogram Features [1.068128849363198]
我々は、ECGの特徴から一般的な診断条件を推測する可能性を検討するために、利用可能なデータセットを用いている。
我々は、心電図の特徴と基本的な人口統計特性に基づいて、ツリーベースモデル(XGBoost)を訓練し、広範囲の診断を推定する。
論文 参考訳（メタデータ） (2024-08-30T14:42:03Z) - PPG-to-ECG Signal Translation for Continuous Atrial Fibrillation Detection via Attention-based Deep State-Space Modeling [11.617950008187366]
光胸腺造影法(英: Photoplethysmography, PPG)は、光学的手法を用いて心臓生理学を計測する費用効率の高い非侵襲的手法である。
本稿では,PPG信号を対応するECG波形に変換するために,主観非依存の注目に基づく深部状態空間モデル(ADSSM)を提案する。
論文 参考訳（メタデータ） (2023-09-27T03:07:46Z)
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。