論文の概要: A Vision Transformer for ECG-Based Detection of Left Ventricular Systolic Dysfunction Across Multiple Clinical Sites

• arxiv url: http://arxiv.org/abs/2608.14723v1
• Date: Wed, 12 Aug 2026 13:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.051097
• Title: A Vision Transformer for ECG-Based Detection of Left Ventricular Systolic Dysfunction Across Multiple Clinical Sites
• Title（参考訳）: 心電図を用いた多施設にわたる左室収縮障害検出用視覚変換器
• Abstract要約: 左室放出率の低下 (LVEF) は無症候性であり, 進行心不全後にのみ検出されることが多い。 心電図は, LVEFの低下は単一の診断波形を持たないため, 日常的に記録されているが, あまり使われていない。 12個の心電図からLVEFの減少を検出するために,視覚変換器をスクラッチから訓練した。
• 参考スコア（独自算出の注目度）: 5.439899616093321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reduced left ventricular ejection fraction (LVEF) is frequently asymptomatic and often detected only after advanced heart failure develops. Electrocardiograms are recorded routinely yet underused for this condition, because reduced LVEF has no single diagnostic waveform. We trained an ensemble of vision transformers from scratch to detect reduced LVEF ($\leq$40%) from 12-lead ECGs, analyzing each heartbeat individually, using 10,142 patients across seven sites in three US health systems. In a held-out external cohort of 4,092 patients from three geographically independent US clinical sites at a real-world reduced-LVEF prevalence of 8.72%, the model achieved an AUROC of 0.88 (95% CI 0.86-0.89), sensitivity 81.2%, specificity 81.0%, and negative predictive value 97.8%. Sensitivity remained high across sex, race, ethnicity, and comorbidity subgroups, while specificity was lower in older patients and those with atrial fibrillation or cardiomyopathy. Beat-level attention maps provided interpretability into the model's predictions, showing consistent focus on the QRS complex rather than the P wave. These findings support the potential of routine ECGs as a scalable first-pass triage step to identify patients who should undergo echocardiography for reduced ejection fraction across diverse patient populations.
• Abstract（参考訳）: 左室放出率の低下 (LVEF) は無症候性であり, 進行心不全後にのみ検出されることが多い。 心電図は, LVEFの低下は単一の診断波形を持たないため, 日常的に記録されているが, あまり使われていない。 われわれは、12個の心電図からLVEF($40%)の減少を検出するために、スクラッチから視覚変換器のアンサンブルを訓練し、米国の3つの健康システムで7つの部位にまたがる10,142人の患者を用いて、それぞれの心拍を個別に分析した。 実際のLVEF感染率8.72%において、地理的に独立した3つの米国臨床施設から得られた4,092人の外部コホートでは、AUROCが0.88(95% CI 0.86-0.89)、感度81.2%、特異性81.0%、負の予測値97.8%に達した。 老年者や心房細動や心筋症では,性,人種,民族,共生サブグループ間で感受性は高く,特異性は低かった。 ビートレベルの注意マップはモデルの予測に解釈可能性を提供し、P波ではなくQRS複合体に一貫した焦点を示した。 これらの知見は,心電図を拡張可能な第1パストリアージステップとしての有用性を裏付けるものであり,心エコー検査を施行すべき患者を同定し,多彩な患者集団における退院率の低減を図った。

関連論文リスト

• Associations between echocardiographic traits and AI-ECG predictions of heart failure [0.0]
  人工心電図(AI-ECG)は心不全(HF)を検出することができる。 AI-ECGにより予測されるHFリスクは、心筋機能障害、リモデリング、充満圧の心エコー計と一致しているかを検討した。
  論文  参考訳（メタデータ） (2026-05-23T13:37:36Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• 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)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
  既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。 本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。 本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:15:53Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• Identifying Ventricular Arrhythmias and Their Predictors by Applying Machine Learning Methods to Electronic Health Records in Patients With Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model) [0.3811495093928132]
  心室性不整脈(VAr)を有する肥大型心筋症患者を臨床的属性を用いて同定するための機械学習の最初の応用である。 臨床的変数は93例, VArは22例であった。 提案手法では,確立した10個のSCD予測器に加えて,12個の新しいVAr予測器を同定した。
  論文  参考訳（メタデータ） (2021-09-19T20:11:07Z)
• High-Throughput Precision Phenotyping of Left Ventricular Hypertrophy with Cardiovascular Deep Learning [10.896077463926343]
  左室肥大 (LVH) は, 全身性および心血管性疾患による慢性のリモデリングの結果である。 LVHの早期検出と特徴付けは、患者のケアに大きな影響を及ぼす。 本研究では,ヒトの心室肥大を自動的に高精度に定量化する深層学習ワークフローであるEchoNet-LVHを提案する。
  論文  参考訳（メタデータ） (2021-06-23T16:28:40Z)
• Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
  本研究では,人工知能を用いた心房細動検出法を提案する。 本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
  論文  参考訳（メタデータ） (2021-04-15T12:50:16Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

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。