論文の概要: EchoBridge: Long-Tail-Aware ECG-Echocardiography Text Alignment for Echocardiography-Derived Cardiac Findings

• arxiv url: http://arxiv.org/abs/2607.24553v1
• Date: Mon, 27 Jul 2026 15:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.476973
• Title: EchoBridge: Long-Tail-Aware ECG-Echocardiography Text Alignment for Echocardiography-Derived Cardiac Findings
• Title（参考訳）: EchoBridge:心電図と心電図のテキストアライメント
• Abstract要約: CSPP(Complementary Shared-Private Projection)とAPBC(Adaptive Prototype boundary)を組み合わせたEchoBridgeを提案する。 CSPPは、各モダリティを共有および補助的なプライベートプロジェクションにマッピングし、内部モダリティを介して方向の冗長性を減少させ、正規化された共有プロジェクションを双方向に整列させる。 APBCは、クラス固有のプロトタイプ、訓練周波数適応角縁、球状リース反発で共有超球を編成する。
• 参考スコア（独自算出の注目度）: 23.97018818939432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standardized echocardiography conclusions provide meaningful supervision for learning ECG representations of echocardiography-derived cardiac findings. Global ECG--text alignment may entangle modality-specific factors, while long-tailed finding distributions provide sparse positive supervision for low-prevalence conditions. We propose EchoBridge with Complementary Shared--Private Projection (CSPP) and Adaptive Prototype Boundary Calibration (APBC). CSPP maps each modality into shared and auxiliary private projections, reduces directional redundancy via within-modality orthogonality, and bidirectionally aligns normalized shared projections. APBC organizes the shared hypersphere with class-specific prototypes, training-frequency-adaptive angular margins, and spherical Riesz repulsion. We evaluate EchoBridge on EchoNext-Mini and independent PKUPH and SHTMU cohorts under four protocols: prompt-based inference without downstream classifier training, in-domain frozen linear probing, target-domain cross-center frozen linear probing, and source-only cross-center transfer, supplemented by finding-specific analyses. EchoBridge improves classifier-free AUROC, AUPRC, and F1 over the strongest baselines by 7.88, 5.61, and 4.54 points, respectively, and achieves the highest point estimates across all in-domain and target-domain probing budgets and both source-only transfer cohorts. Finding-specific analyses show gains for most conditions, including several low-prevalence valvular findings.
• Abstract（参考訳）: 標準化された心エコー法は、心電図による心電図所見の学習に有意義な監督を与える。 グローバルECG-テキストアライメントは、モダリティ固有の要因を絡ませる可能性があるが、長い尾の発見分布は、低頻度条件に対してわずかに正の監督を与える。 本稿では,補足型共有投影(CSPP)と適応型境界校正(APBC)を備えたEchoBridgeを提案する。 CSPPは、各モダリティを共有および補助的なプライベートプロジェクションにマッピングし、モダリティ内直交を通じて方向の冗長性を減少させ、正規化された共有プロジェクションを双方向に整列させる。 APBCは、クラス固有のプロトタイプ、訓練周波数適応角縁、球状リース反発で共有超球を編成する。 我々は,EchoNext-Mini上のEchoBridgeと独立PKUPHとSHTMUコホートを4つのプロトコルで評価した。 EchoBridgeは、AUROC、AUPRC、F1を最強のベースラインである7.88、5.61、および4.54ポイントで改善し、すべてのドメイン内およびターゲットドメインの探索予算とソースのみの転送コホートで最高点推定を達成している。 検出特異な分析は、いくつかの低頻度弁証法を含む、ほとんどの条件において上昇を示す。

関連論文リスト

• FOUND-AF: Benchmarking ECG Foundation Models for Atrial Fibrillation Detection [5.65079592827682]
  心房細動(AF)は心臓不整脈が最も多く持続し、脳卒中、心不全、死亡のリスクが増大する。 最近のECG基盤モデルは自動AF検出のための転送可能な表現を提供する。 本研究は、事前学習したECG表現の品質を評価する、統一的でリーク制御され、デプロイ指向のベンチマークフレームワークであるFOUND-AFを提案する。
  論文  参考訳（メタデータ） (2026-08-04T12:48:05Z)
• 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)
• EchoSonar-R: A Multi-View Reasoning-Enabled Model for Disease Classification and Report Generation in Echocardiography [4.445909648625997]
  疾患分類と報告生成を共同で行う多視点推論対応視覚対応モデルであるEchoSonar-Rを提案する。 EchoSonar-Rは2つの段階で訓練されている: 推論アノテート対象に関する教師付き微細言語エンコーダ (SFT) と、タスク固有の報酬を伴うグループ相対ポリシー最適化 (O) である。 EchoSonar-Rではマクロバランスの精度が17.1%向上し、MIMICQAでは6.1%向上した。
  論文  参考訳（メタデータ） (2026-06-26T14:58:45Z)
• MSAIC-Net: A Multi-Scale Attention and Imbalance-Aware Contrastive Network for ECG-Based Myocardial Substrate Abnormality Detection [1.1242503819703258]
  心筋梗塞や心筋梗塞などの心筋基質異常は, 心血管障害の原因となる。 本稿では,心電図に基づく心筋基質異常検出のためのマルチスケールアテンション強化畳み込みネットワーク(MSAIC-Net)を提案する。 MSAIC-Netは、複数の時間的受容領域にまたがるECG特徴を抽出するために、並列なアトラスな畳み込み枝を用いる。
  論文  参考訳（メタデータ） (2026-06-04T21:08:06Z)
• 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)
• HeartBeatAI: An Interpretable and Robust Deep Learning Framework for Multi-Label ECG Arrhythmia Detection [17.31345778518897]
  HeartBeatAIは、ドメインの一般化、マルチスケールの機能集約、およびロバスト12リードECG分類のための臨床説明性を組み合わせたディープラーニングフレームワークである。 ドメインシフトを軽減するため、フレームワークはMixStyle正規化とLabel Smoothingを採用している。 LoDO評価は、まれな異常の検出において重大な劣化を示し、組織間デプロイメントにおける永続的な課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-05-23T13:58:12Z)
• Domain-Adapted Fine-Tuning of ECG Foundation Models for Multi-Label Structural Heart Disease Screening [9.031528782284935]
  心電図(ECG)基礎モデルがエコー確認型多ラベル心疾患検出をサポートできるかどうかを検討した。 我々は,ECGの工学的特徴と,勾配向上,スクラッチからのエンドツーエンドの波形学習,オープンECG基盤モデルからの転送を比較した。 適応型ECG-FMモデルは全体的な性能を最高のものにした。
  論文  参考訳（メタデータ） (2026-04-25T17:27:42Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• 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)
• Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
  多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。 これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。 F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
  論文  参考訳（メタデータ） (2023-04-13T03:20:45Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)

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。