Fugu-MT 論文翻訳(概要): ECG Mirage: Revealing and Mitigating the Underutilisation of ECGs in Vision-Language Models for Clinical Prediction

論文の概要: ECG Mirage: Revealing and Mitigating the Underutilisation of ECGs in Vision-Language Models for Clinical Prediction

arxiv url: http://arxiv.org/abs/2609.21755v1
Date: Fri, 18 Sep 2026 13:27:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-21 18:40:17.123044
Title: ECG Mirage: Revealing and Mitigating the Underutilisation of ECGs in Vision-Language Models for Clinical Prediction
Title（参考訳）: 心電図ミラージュ : 臨床診断のための視覚言語モデルにおける心電図のアンダーユーティフィケーションの探索と緩和
Abstract要約: 意思決定は、患者の歴史、バイタルサイン、実験結果、心電図(ECG)を含む異種臨床情報に依存する。我々は、この障害モードECGミラージュを、患者固有のECG情報に依存しない見かけのマルチモーダル能力と呼ぶ。
参考スコア（独自算出の注目度）: 2.446787923076599
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Emergency department (ED) decision-making relies on heterogeneous clinical information, including patient history, vital signs, laboratory results, and electrocardiograms (ECGs). Vision--language models (VLMs) can jointly process these modalities, but strong predictive performance does not necessarily imply meaningful use of the correct patient's ECG. We term this failure mode ECG Mirage: apparent multimodal capability without useful dependence on patient-specific ECG information. We distinguish two forms: ECG neglect, where ECGs provide little predictive benefit, and ECG confusion, where matched ECGs outperform no-image inputs but not mismatched ECGs. To evaluate these behaviours, we compare predictions obtained with matched ECGs, outcome-discordant mismatched ECGs, and no-image inputs while holding the clinical text and prediction targets fixed. Across four VLMs on MDS-ED, matched ECGs provide no consistent advantage for either ICU admission or clinical deterioration prediction. We then train four restricted visual prompts using supervised learning followed by conditional direct preference optimisation, while keeping the VLM backbone frozen. The resulting models achieve balanced accuracies of 70.6% for ICU admission and 67.5% for deterioration and increase the matched-versus-mismatched performance gap to approximately 16.5 and 5.5 percentage points, respectively. Overall, our study identifies ECG Mirage in multimodal clinical prediction and introduces visual prompt tuning as an efficient mitigation strategy.
Abstract（参考訳）: 救急部門(ED)の意思決定は、患者の歴史、バイタルサイン、検査結果、心電図(ECG)など、異種の臨床情報に依存している。視覚言語モデル(VLM)はこれらのモダリティを共同で処理できるが、強い予測性能は必ずしも正しい患者の心電図を有意に活用するとは限らない。我々は、この障害モードECGミラージュを、患者固有のECG情報に依存しない見かけのマルチモーダル能力と呼ぶ。我々は、ECGがほとんど予測できないECG無視とECG混乱という2つの形態を区別する。これらの振る舞いを評価するため,臨床テキストと予測対象を固定したまま,一致した心電図,結果の不一致心電図,画像入力とを比較した。 MDS-EDの4つのVLMで一致したECGは、ICU入院または臨床劣化予測に一貫した優位性を与えない。次に、教師付き学習と条件付き直接選好最適化により、VLMバックボーンを凍結させながら、4つの制限された視覚刺激を訓練する。得られたモデルは、ICUの入場時に70.6%、劣化時に67.5%のバランスの取れたアキュラティを達成し、マッチした逆ミスマッチしたパフォーマンスギャップを、それぞれ16.5と5.5のパーセンテージに増やした。本研究は,マルチモーダル臨床予測における心電図ミラージュを同定し,効率的な緩和戦略として視覚的プロンプトチューニングを導入する。

関連論文リスト

Diagnosing as Cardiologists Do: ECG Agents with Doctor-Grounded Priors for Clinical Reasoning Across Diseases and Populations [18.282452158790257]
心臓科医は、波形成分の局在化、リズムと間隔パターンの測定、これらの構造化された観察を診断証拠に翻訳することで心電図を解釈する。臨床的に構造化されたECG推論フレームワークであるLuminaECGを紹介する。 ECG信号は標準的な心電図グリッド紙に描画され、臨床読影に使用される空間的およびスケール的な手がかりを保存する。
論文参考訳（メタデータ） (2026-08-10T03:00:35Z)
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)
Learning Cardiac Latent Representations in Vectorcardiogram Space [54.12639543496968]
既存の方法は、観測可能なECG信号空間でのみ動作する。本稿では,VCG空間内で直接心臓電気活動の潜在性統一表現を学習することを提案する。 LVCGは、この物理的に接地された潜在空間で動作するように設計された、最初の汎用的な自己教師型表現学習フレームワークである。
論文参考訳（メタデータ） (2026-05-29T12:48:12Z)
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)
CAMEL: An ECG Language Model for Forecasting Cardiac Events [17.69153622989266]
本稿では,CAMELを提案する。CAMELは,より長い信号時間で推測できる最初のECG言語モデルである。我々の重要な洞察は、テキストによるECG信号の相互理解を可能にする専用のECGエンコーダである。確立したLLM学習手順を用いてCAMELを訓練し、LoRA適応とカリキュラム学習パイプラインを組み合わせた。
論文参考訳（メタデータ） (2026-02-17T16:02:52Z)
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)
EchoingECG: An Electrocardiogram Cross-Modal Model for Echocardiogram Tasks [23.243697999272825]
本稿では,不確実性を考慮した心電図埋め込みと心電図監視を利用して心電図に基づく心機能予測を改善する,確率的学生・教師モデルであるEchoingECGを紹介する。提案手法では,確率的コントラストフレームワークであるPCME++とECHO-CLIPを併用し,ECHOの知識をECG表現に抽出する。
論文参考訳（メタデータ） (2025-09-30T05:03:33Z)
PPG-to-ECG Signal Translation for Continuous Atrial Fibrillation Detection via Attention-based Deep State-Space Modeling [11.617950008187366]
光胸腺造影法(英: Photoplethysmography, PPG)は、光学的手法を用いて心臓生理学を計測する費用効率の高い非侵襲的手法である。本稿では,PPG信号を対応するECG波形に変換するために,主観非依存の注目に基づく深部状態空間モデル(ADSSM)を提案する。
論文参考訳（メタデータ） (2023-09-27T03:07:46Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)

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。