論文の概要: ECG-InterpBench: Benchmarking the Interpretability of ECG Foundation Models with Matched-Scale Sparse Autoencoders

• arxiv url: http://arxiv.org/abs/2607.27404v1
• Date: Wed, 29 Jul 2026 19:20:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.313505
• Title: ECG-InterpBench: Benchmarking the Interpretability of ECG Foundation Models with Matched-Scale Sparse Autoencoders
• Title（参考訳）: ECG-InterpBench: マッチングスケールスパースオートエンコーダによるECGファンデーションモデルの解釈可能性のベンチマーク
• Abstract要約: ECG-InterpBenchは、ECG基盤モデル表現の解釈可能性を評価するために設計されたベンチマークである。 5つの標準深度,5つの一致辞書幅,3つのランダムシードの凍結ECG基礎モデルを評価した。 このベンチマークにより、ECG基盤モデルは異なる解釈可能性プロファイルを示すことが明らかになった。
• 参考スコア（独自算出の注目度）: 0.8162386935076237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing benchmarks for electrocardiogram foundation models primarily evaluate downstream predictive performance, providing limited insight into whether their internal representations can be faithfully decomposed, clinically interpreted, or reproduced across independent analyses. We introduce ECG-InterpBench, a benchmark designed to systematically evaluate the interpretability of ECG foundation-model representations. ECG-InterpBench uses sparse autoencoders as standardized measurement instruments and matches their capacity across models to enable controlled comparisons. We evaluate six frozen ECG foundation models across five standardized encoder depths, five matched dictionary widths, and three random seeds, producing a 450-cell interpretability atlas comprising 75 exactly matched six-model comparison blocks. The benchmark evaluates complementary dimensions of representation interpretability, including sparse reconstruction fidelity, single-feature accessibility and coverage of 49 clinically meaningful ECG measurements, and cross-seed feature reproducibility. The evaluation further quantifies patient-sampling uncertainty, depth- and seed-dependent variation, and sensitivity to the sparsity parameterization. The benchmark reveals that ECG foundation models exhibit distinct interpretability profiles. A matched replication on MIMIC-IV-ECG confirms that reconstruction fidelity and clinical accessibility identify different leading models. The benchmark is accompanied by executable evaluation code, standardized manifests, cell-level metrics, and reproducibility audits. ECG-InterpBench complements performance-centered ECG benchmarks by providing a capacity-controlled and reproducible framework for comparing ECG foundation models across distinct dimensions of representation interpretability.
• Abstract（参考訳）: 既存の心電図基礎モデルのベンチマークは、主に下流での予測性能を評価し、その内部表現を忠実に分解し、臨床的に解釈し、独立した分析で再現できるかどうかについての限られた洞察を与えている。 本稿では,ECG基盤モデル表現の解釈可能性を体系的に評価するベンチマークであるECG-InterpBenchを紹介する。 ECG-InterpBenchはスパースオートエンコーダを標準測定器として使用し、その容量をモデル間で一致させ、制御された比較を可能にする。 5つの標準エンコーダ深さ、5つの一致辞書幅、3つのランダムシードからなる6つの凍結ECG基盤モデルを評価し,75個の一致6モデル比較ブロックからなる450セルの解釈可能性アトラスを生成した。 このベンチマークは、スパース再構成の忠実度、単一機能アクセシビリティ、49の臨床的意義のある心電図測定のカバレッジ、横断的特徴再現性などの相補的な表現の解釈可能性を評価する。 この評価は, 患者サンプリングの不確実性, 深さ依存性, 種子依存性の変動, 空間パラメータ化に対する感受性をさらに定量化する。 このベンチマークにより、ECG基盤モデルは異なる解釈可能性プロファイルを示すことが明らかになった。 MIMIC-IV-ECGの再現は、再構成の忠実度と臨床アクセシビリティが異なる主要なモデルを特定することを確認する。 ベンチマークには実行可能な評価コード、標準化されたマニフェスト、セルレベルのメトリクス、再現性監査が含まれている。 ECG-InterpBenchは、キャパシティ制御され再現可能なフレームワークを提供し、ECG基盤モデルを異なる表現解釈可能性の次元で比較することによって、パフォーマンス中心のECGベンチマークを補完する。

関連論文リスト

• ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
  EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。 既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。 本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
  論文  参考訳（メタデータ） (2026-09-04T12:48:25Z)
• 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)
• Latent Performance Profiling of Large Language Models [47.009623327601226]
  隠れたアクティベーションと出力分布からタスクに依存しない診断を導出するフレームワークであるLatent Performance Profiling(LPP)を紹介する。 静的精度スコアとは異なり、LPPは同様のサイズのモデル間で安定でアーキテクチャに敏感なシグネチャを提供する。 類似のベンチマークスコアを持つモデルは、エントロピーや適応性の違いなど、対照的なプロファイルを示すことができることを示す。
  論文  参考訳（メタデータ） (2026-05-28T14:41:26Z)
• CriterAlign: Criterion-Centric Rationale Alignment for Code Preference Judging [95.02210956333374]
  本稿では,一対の選好評価にルーブリックに基づく判断を適応させる基準中心のフレームワークを提案する。 BigCodeRewardでは、CriterAlignはQwen2.5-VL-32Bモノリシック判事を60.4%から66.3%に改善した。
  論文  参考訳（メタデータ） (2026-05-19T10:59:19Z)
• Detecting low left ventricular ejection fraction from ECG using an interpretable and scalable predictor-driven framework [9.789732284839884]
  低左室放出率 (LEF) は症状性心不全の進行まで検出されないことが多い。 既存のアプローチは、解釈可能性に制限のあるエンドツーエンドのブラックボックスモデルのみに依存している。 我々は基礎モデルに基づく診断確率と解釈可能なモデリングを統合する構造化フレームワークECGPD-LEF(Predictor-Driven LEF)を導入した。
  論文  参考訳（メタデータ） (2026-03-30T14:55:52Z)
• ECG-Reasoning-Benchmark: A Benchmark for Evaluating Clinical Reasoning Capabilities in ECG Interpretation [14.296134981531337]
  我々は,17コア心電図診断におけるステップバイステップ推論を評価するために,6,400以上のサンプルからなる新しいマルチターン評価フレームワークを提案する。 最先端モデルに対する包括的評価では,多段階論理推論の実行に重大な障害があることが判明した。 これらの結果は、現在のMLLMが実際の視覚的解釈を回避し、既存の訓練パラダイムに重大な欠陥を露呈し、堅牢で推論中心の医療AIの必要性を強調していることを示している。
  論文  参考訳（メタデータ） (2026-03-15T11:09:38Z)
• IF-RewardBench: Benchmarking Judge Models for Instruction-Following Evaluation [85.56193980646981]
  命令追従のための総合的メタ評価ベンチマークであるIF-RewardBenchを提案する。 各命令に対して、複数の応答間の全てのペアの選好を含む選好グラフを構築する。 IF-RewardBenchの実験は、現在の審査モデルに重大な欠陥を呈している。
  論文  参考訳（メタデータ） (2026-03-05T02:21:17Z)
• Position: Evaluation of ECG Representations Must Be Fixed [1.567009619451362]
  本論文は、12段階のECG表現学習における現在のベンチマーク実践は、進歩が信頼でき、臨床的に有意義な目的と整合することを保証するために、修正されるべきである、と論じる。 本研究は、心電図関連エンドポイントの発達とともに、心疾患や患者レベル予測の評価を含むように下流評価を拡大するべきであると論じる。
  論文  参考訳（メタデータ） (2026-02-19T16:42:46Z)
• 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)
• 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)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。