論文の概要: NeuroECG: ECGFounder-Based Deep ECG Representation for EEG-Free Neurological Prognostication After Cardiac Arrest

• arxiv url: http://arxiv.org/abs/2609.18891v1
• Date: Mon, 13 Jul 2026 06:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.573599
• Title: NeuroECG: ECGFounder-Based Deep ECG Representation for EEG-Free Neurological Prognostication After Cardiac Arrest
• Title（参考訳）: NeuroECG:心停止後の脳波自由神経予後に対する心電図を用いた深部心電図表示法
• Abstract要約: 心停止後の神経学的予後は、一般的に脳波(EEG)に依存している ベッドサイド心電図(ECG)は標準的かつ低コストである。しかし, 神経学的結果を予測するための価値はいまだ検討されていない。 我々は,脳波のない補助的予後を示すためのECGFounderベースのディープ表現フレームワークであるNeuroECGを提案する。
• 参考スコア（独自算出の注目度）: 11.477590472383909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurological prognostication after cardiac arrest commonly relies on electroencephalography (EEG). However, EEG demands high clinical resources. Bedside electrocardiography (ECG) is standard and low-cost. Yet, its value for predicting neurological outcomes remains underexplored. In this study, we propose NeuroECG, an ECGFounder-based deep representation framework for EEG-free auxiliary prognostication. NeuroECG adapts a pretrained ECG foundation model via task-specific fine-tuning. We implement a gradual unfreezing strategy on single-channel bedside monitoring ECG. Multiple ECG segments per patient are encoded into segment-level deep features. These embeddings are aggregated via quantile pooling ($q = 0.24$) and compressed using principal component analysis (PCA). Experiments on 412 ECG-available patients from the multicenter I-CARE database show that the adapted ECGFounder backbone achieves the best performance among ECG-only backbone baselines, with a test AUROC of 0.7333. We further combine the learned deep ECG representation with static clinical covariates. The proposed NeuroECG model achieves a test AUROC of 0.8077 and an AUPRC of 0.8970. These results support deep bedside ECG representations as a useful source of auxiliary prognostic information. Their integration with static clinical covariates improves prediction in an EEG-free setting. The source code is available at https://github.com/goddream66/NeuroECG_
• Abstract（参考訳）: 心停止後の神経学的予後は、一般的に脳波(EEG)に依存する。 しかし、脳波は高い臨床資源を必要とする。 ベッドサイド心電図(ECG)は標準で低コストである。 しかし、その神経学的結果を予測する価値はいまだに未発見のままである。 本研究では,脳波のない補助的予後を示すためのECGFounderベースのディープ表現フレームワークであるNeuroECGを提案する。 NeuroECGはタスク固有の微調整によって事前訓練されたECG基盤モデルを適用する。 単チャンネルベッドサイド監視ECGに段階的凍結戦略を実装した。 患者毎の複数のECGセグメントは、セグメントレベルの深い特徴にエンコードされる。 これらの埋め込みは量子プール(q = 0.24$)を介して集約され、主成分分析(PCA)を用いて圧縮される。 マルチセンターI-CAREデータベースを用いた412名の心電図使用患者を対象とした実験の結果,ECGFounderのバックボーンは心電図のみのバックボーンベースラインの中で最高の性能を示し,AUROCは0.7333であった。 さらに、学習した深部心電図表現と静的な臨床共変体を併用する。 提案したNeuroECGモデルは、AUROCが0.8077、AUPRCが0.8970である。 これらの結果は,深層部心電図の表現を補助的予後情報の情報源としてサポートしている。 静的な臨床的共変体との統合は、脳波のない環境での予測を改善する。 ソースコードはhttps://github.com/goddream66/NeuroECG_で入手できる。

関連論文リスト

• 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)
• 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)
• Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation [52.19347532840774]
  本稿では,心電図生成のための新しい生理シミュレータSE-Diffを提案する。 SE-Diffは、軽量常微分方程式(ODE)ベースのECGシミュレータをビートデコーダを介して拡散過程に統合する。 実世界のECGデータセットに対する大規模な実験により、SE-Diffは信号の忠実度とテキスト-ECGセマンティックアライメントの両方を改善している。
  論文  参考訳（メタデータ） (2025-11-13T02:57:10Z)
• An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains [17.809094003643523]
  ECG Foundation Model (ECGFounder)は、Harvard-Emory ECG Databaseから150のラベルカテゴリを持つ1000万以上のECGをトレーニングしている。 ECGFounderは内部検証セットのエキスパートレベルのパフォーマンスを達成し、AUROCは80の診断で0.95を超えている。 微調整されたECGFounderは、人口統計分析、臨床イベント検出、心拍数横断診断においてベースラインモデルを上回っている。
  論文  参考訳（メタデータ） (2024-10-05T12:12:02Z)
• ECG-FM: An Open Electrocardiogram Foundation Model [3.8270632390229777]
  本稿では,ECG分析のためのオープン基盤モデルであるECG-FMについて述べる。 ECG-FMは、コントラストと生成的自己教師付き学習のハイブリッドアプローチを用いて事前訓練されたトランスフォーマーベースのモデルである。 我々は,ECG-FMがロバストで,ラベル効率が高く,機能的に識別可能であることを確認した。
  論文  参考訳（メタデータ） (2024-08-09T17:06:49Z)
• MEIT: Multimodal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [28.35107188450758]
  心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。 最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。 LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-07T23:20:56Z)
• 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。