論文の概要: CADENCE: A Cardiac Atom Dictionary for Interpretable Neural Concept Extraction from ECG Foundation Models

• arxiv url: http://arxiv.org/abs/2607.25244v1
• Date: Tue, 28 Jul 2026 03:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.697253
• Title: CADENCE: A Cardiac Atom Dictionary for Interpretable Neural Concept Extraction from ECG Foundation Models
• Title（参考訳）: CADENCE:心電図基礎モデルから解釈可能な神経概念抽出のための心磁図辞書
• Abstract要約: CADENCEは、ECG基盤モデルを人間の解釈可能な、クエリ可能な生理学的概念辞書に分解するフレームワークである。 BatchTopKスパースオートエンコーダを用いてCADENCEは、900万以上のECGトークンから8,192個のスパース心筋原子へのLayer-6の埋め込みを分解する。 スパース原子プローブは、表現型、形態学、年齢予測のために密度の高いプローブに適合または優れ、それぞれが小さな解釈可能な原子の集合に起因する。
• 参考スコア（独自算出の注目度）: 0.664808714259295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models for 12-lead electrocardiograms (ECGs) transfer well across clinical tasks, but the physiological knowledge encoded in their representations remains opaque. We present CADENCE, a framework that decomposes an ECG foundation model into a human-interpretable, queryable dictionary of physiological concepts. Using a BatchTopK sparse autoencoder, CADENCE factorizes Layer-6 embeddings from more than nine million ECG tokens into 8,192 sparse cardiac atoms. These atoms align better than individual dense embedding dimensions with clinical phenotypes and waveform morphology, recovering arrhythmias, conduction abnormalities, infarction and repolarization patterns, chamber and axis findings, and lead- and beat-phase-specific waveform primitives. At Layer 6, the best atoms achieve mean AUROCs of 0.88 for clinical phenotypes and 0.90 for morphology, versus 0.78 and 0.83 for the best dense dimensions. Sparse atom probes match or outperform dense probes for phenotype, morphology, and age prediction while attributing each prediction to a small set of interpretable atoms; phenotype AUROC improves from 0.93 to 0.95. Atom-space geometry recovers physiologically coherent relationships, and targeted atom ablation selectively changes frozen downstream outputs. An automated LLM pipeline generates and quantitatively validates atom descriptions by predicting held-out activations. On independent external ECG datasets, CADENCE recovers overlapping concepts and maintains consistent phenotype-prediction performance. CADENCE provides a scalable framework for discovering and auditing the physiological knowledge encoded by ECG foundation models.
• Abstract（参考訳）: 12誘導心電図の基礎モデル(ECGs)は、臨床タスク間で良好に伝達されるが、その表現に符号化された生理的知識はいまだに不透明である。 本稿では,ECG基盤モデルを人間の解釈可能なクエリ可能な生理概念辞書に分解するフレームワークCADENCEを紹介する。 BatchTopKスパースオートエンコーダを用いてCADENCEは、900万以上のECGトークンから8,192個のスパース心筋原子へのLayer-6の埋め込みを分解する。 これらの原子は、臨床表現型や波形形態、不整脈の回復、伝導異常、梗塞と再分極パターン、室と軸の所見、鉛とビート相特異的な波形プリミティブと、個々の密着型よりもよく一致している。 層6では、最も高い原子は臨床表現型が0.88AUROC、モルフォロジーが0.90AUROC、最も高密度な次元が0.78および0.83AUROCとなる。 スパース原子プローブは、表現型、形態学、年齢予測のために密度の高いプローブと一致または優れ、それぞれの予測を小さな解釈可能な原子の集合に帰着させ、表現型 AUROC は 0.93 から 0.95 に改善する。 原子空間幾何学は生理的コヒーレントな関係を回復し、標的原子のアブレーションは凍った下流の出力を選択的に変化させる。 自動LLMパイプラインは、ホールドアウトアクティベーションを予測して原子記述を生成し、定量的に検証する。 独立した外部ECGデータセット上でCADENCEは重複する概念を回復し、一貫した表現型予測性能を維持する。 CADENCEは、ECGファンデーションモデルによって符号化された生理的知識を発見し、監査するためのスケーラブルなフレームワークを提供する。

関連論文リスト

• From Raw Segmentations to Simulation-Ready Cardiac Meshes: An Automated Framework for Anatomical Reconstruction and Virtual Cohort Generation [40.52388056968461]
  我々は,CTに基づくセグメンテーションをシミュレーション可能な心筋メッシュに変換する半自動パイプラインを提案する。 Chamfer-Distance morphing 戦略は、トポロジーを保ちながら個々のチャンバーにマッチして、各セグメンテーションハートに対して高品質なテンプレートを変形させる。 パイプラインは、すべての心臓室と近位血管セグメントを含む58個の心臓CTスキャンで検証されている。
  論文  参考訳（メタデータ） (2026-06-29T09:07:05Z)
• Hierarchical Perfusion Graphs for Tumor Heterogeneity Modeling in Glioma Molecular Subtyping [3.6629715315648976]
  実時間強度曲線から離散的血行動態表現を学習するフレームワークであるHiPerfGNNを紹介する。 階層型グラフニューラルネットワークは、分子予測のためにスケールを越えて情報を伝播する。
  論文  参考訳（メタデータ） (2026-05-08T02:42:38Z)
• ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation [1.7152890789230053]
  深層学習は心電図(ECG)の診断において専門家レベルのパフォーマンスを達成したが、これらのモデルの「黒い箱」の性質は臨床展開を妨げている。 本稿では,高分解能12リードECG分類に適した解釈可能なメソモルフィックニューラルネットワークECG-IMNを提案する。
  論文  参考訳（メタデータ） (2026-02-10T09:17:29Z)
• Physiology as Language: Translating Respiration to Sleep EEG [43.02603129452492]
  本稿では,呼吸信号から睡眠脳波(EEG)を合成するクロス生理学的翻訳タスクを紹介する。 離散トークン化により脳波の標的空間を制約しながら、微細な呼吸動態を保ちながら波形条件生成フレームワークを提案する。 脳波スペクトログラム再構成では,28,000人以上の被験者を対象に,平均絶対誤差を7%以上達成している。
  論文  参考訳（メタデータ） (2026-01-31T05:44:45Z)
• 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)
• ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
  OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。 現在の最先端の証拠は、機能ベースのランダムな森林と畳み込みニューラルネットワーク(CNN)の両方が、OMIのECG検出を改善するための有望なアプローチであることを示唆している。 我々はOMI識別のためのECG--NETを開発し評価する。
  論文  参考訳（メタデータ） (2024-05-08T19:59:16Z)
• Digital twinning of cardiac electrophysiology models from the surface ECG: a geodesic backpropagation approach [39.36827689390718]
  逆等角問題の解法としてGeodesic-BPを提案する。 その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。 パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
  論文  参考訳（メタデータ） (2023-08-16T14:57:12Z)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
  Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。 熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• 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)
• 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。