論文の概要: Learning from VAE Errors to support ECG-based Differential Diagnosis of Myocardial Scar

• arxiv url: http://arxiv.org/abs/2609.05294v1
• Date: Fri, 04 Sep 2026 15:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.10747
• Title: Learning from VAE Errors to support ECG-based Differential Diagnosis of Myocardial Scar
• Title（参考訳）: 心電図による心筋スカーの鑑別診断支援のためのVAEエラーからの学習
• Abstract要約: 特発性心疾患患者とLGE+を鑑別するために,$$$-variational autoencoder (VAE)由来の心電図表現が有効かを検討した。 基礎ECGx.AIモデルの32次元特徴を,通常のTB-XL ECGで訓練したより浅い$-VAEの特徴と比較した。
• 参考スコア（独自算出の注目度）: 1.0554048699217666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Late Gadolinium Enhancement (LGE) on cardiac magnetic resonance is a key marker of myocardial scar, but its limited accessibility motivates routine ECG-based screening. We evaluated whether $β$-variational autoencoder (VAE)-derived ECG representations can discriminate LGE+ from LGE- cardiomyopathic patients in a local cohort of 300 subjects. We compared 32-dimensional features from the foundation ECGx.AI model with those from a shallower $β$-VAE trained on normal PTB-XL ECGs, evaluating downstream classification and Dynamic Time Warping (DTW)-based reconstruction errors. ECGx.AI reached an area under ROC of 0.686 with Random Forest, while the proposed $β$-VAE reached 0.577 with sensitivity of 0.775 with Gradient Boosting. Notably, DTW-reconstruction errors significantly differed between classes in 10 out of 12 leads according to Mann-Whitney U test and help in classification, leading to an area under ROC of 0.643 with Logistic Regression, supporting their potential as markers of scar-related ECG alterations.
• Abstract（参考訳）: 心臓磁気共鳴における後期ガドリニウム増強(LGE)は、心筋の傷の鍵となるマーカーであるが、そのアクセシビリティの制限は、定期的な心電図によるスクリーニングを動機付けている。 局所コホート300名を対象に,β$-variational autoencoder (VAE)由来の心電図表現がLGE+患者とLGE-心筋症患者との鑑別が可能かどうかを検討した。 基礎ECGx.AIモデルから得られた32次元特徴を,通常のTB-XL ECGで訓練されたより浅い$β$-VAEの値と比較し,下流分類とDTWに基づく再構成誤差を評価した。 ECGx.AIはランダムフォレスト(Random Forest)で0.686、提案された$β$-VAEは0.577、感度は0.775、グラディエントブースティング(Gradient Boosting)である。 特に、Mann-Whitney U テストによると、DTW-再構成エラーは12点中10点のクラスで大きく異なっており、分類の助けとなり、LOC 0.643 未満の領域はロジスティック回帰(Logistic Regression)となり、傷跡関連心電図変化のマーカーとしての可能性を支持した。

関連論文リスト

• Leveraging Cardiac Imaging to Improve ECG-Based Detection of Chagas Disease in Resource-Constrained Settings [0.12220036674605628]
  チャガス病はラテンアメリカにおける心筋症の主要な原因である。 我々は,CMRに基づく構造知識を,対照的な事前学習を通じてECGに転送することを提案する。
  論文  参考訳（メタデータ） (2026-09-08T11:17:29Z)
• 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)
• 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)
• 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)
• 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)
• Masked Training for Robust Arrhythmia Detection from Digitalized Multiple Layout ECG Images [15.710783507780903]
  この研究は適応的可変ブロック数欠落表現学習のためのフレームワークであるPatchECGを導入した。 PatchECGは、リード間の協調依存関係を持つキーパッチに自動的にフォーカスし、異なるレイアウトのECGにおける不整脈をキー認識する。
  論文  参考訳（メタデータ） (2025-08-06T07:55:05Z)
• Multi-Channel Masked Autoencoder and Comprehensive Evaluations for Reconstructing 12-Lead ECG from Arbitrary Single-Lead ECG [19.74009541199362]
  本研究では、任意のシングルリードECGから12リードECGを再構成するためのマルチチャネルマスク付きオートエンコーダ(MCMA)を提案する。 信号レベル評価では,平均平方誤差0.0317,0.1034,ピアソン相関係数0.7885,0.7420であった。 特徴レベル評価では、生成した12リード心電図の平均心拍数の平均標準偏差は1.0481であり、変動係数は1.58%、範囲は3.2874である。
  論文  参考訳（メタデータ） (2024-07-16T08:17:45Z)
• 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)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• 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)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。