論文の概要: X-Beat: An Explainable Framework for ECG Image Classification

• arxiv url: http://arxiv.org/abs/2609.22631v1
• Date: Fri, 18 Sep 2026 22:34:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.507057
• Title: X-Beat: An Explainable Framework for ECG Image Classification
• Title（参考訳）: X-Beat: ECGイメージ分類のための説明可能なフレームワーク
• Abstract要約: X-Beatsは、ECG画像分類のための説明可能で信頼性に配慮したベンチマークフレームワークである。 複数のImageNet-pretrained CNNバックボーンを統一的なトレーニングプロトコルで評価する。 その結果、ResNet-50は91.94%の精度と0.9098のマクロF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 0.8411385346896413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate automated interpretation of electrocardio- grams (ECGs) is essential for early detection of cardiac condi- tions such as myocardial infarction and rhythm abnormalities. However, many high-performing deep learning models remain difficult to deploy in clinical settings due to limited transparency and lack of reliability validation. In this work, we present X- Beat, an explainable and reliability-aware benchmark framework for ECG image classification designed to support trustworthy AI systems in healthcare. The proposed framework combines transfer learning with post-hoc explainability and systematic reliability evaluation across four cardiac classes: Abnormal Heartbeat, History of Myocardial Infarction, Myocardial In- farction, and Normal Heartbeat. Multiple ImageNet-pretrained CNN backbones, including EfficientNet-B0, ResNet-50, DenseNet- 121, and MobileNetV3-Large, are evaluated under a unified training protocol. Beyond standard performance metrics, we incorporate Grad-CAM-based visual explanations together with additional analyses, including explanation stability, regional sen- sitivity, and confidence-based reliability assessment, to examine whether model predictions are supported by clinically meaningful evidence. Experimental results show that ResNet-50 achieves the best performance, reaching 91.94% accuracy and a macro F1- score of 0.9098, with strong class separability (AUC up to 0.995). Explanation analyses indicate that the model primarily focuses on waveform-relevant regions, while reliability evaluation suggests that most incorrect predictions occur with lower confidence. Overall, this work provides a structured and reproducible bench- mark for evaluating both predictive performance and explanation reliability in ECG image classification, contributing toward the development of trustworthy and interpretable AI components for clinical decision support systems.
• Abstract（参考訳）: 心電図(ECGs)の正確な自動解釈は、心筋梗塞やリズム異常などの心筋コンディオンの早期検出に不可欠である。 しかし、透明性の限界と信頼性の欠如により、多くの高性能ディープラーニングモデルは、臨床環境でのデプロイが困難である。 本稿では,医療における信頼できるAIシステムをサポートするために設計されたECG画像分類のための,説明可能な信頼性の高いベンチマークフレームワークであるX-Beatsを紹介する。 提案手法は, 転帰学習とポストホックな説明責任と, 異常心拍, 心筋梗塞歴, 心筋梗塞, 正常心拍の4クラスにわたる系統的信頼性評価を組み合わせたものである。 EfficientNet-B0、ResNet-50、DenseNet-121、MobileNetV3-Largeを含む複数のImageNet-pretrained CNNバックボーンを統一的なトレーニングプロトコルで評価する。 標準的なパフォーマンス指標以外にも,Grad-CAMに基づく視覚的説明と,説明安定性,地域感性評価,信頼度に基づく信頼性評価などの追加分析を組み込んで,モデル予測が臨床的に有意な証拠によって支持されるかどうかを検討する。 実験の結果、ResNet-50の精度は91.94%、マクロF1スコアは0.9098であり、クラス分離性は強い(AUCは0.995まで)。 説明分析の結果,このモデルは主に波形関連領域に焦点が当てられているが,信頼性評価の結果,ほとんどの誤った予測は信頼性が低いことが示唆された。 全体として、本研究は、心電図画像分類における予測性能と説明信頼性の両方を評価するための構造化された再現可能なベンチマークを提供し、臨床診断支援システムのための信頼性と解釈可能なAIコンポーネントの開発に寄与する。

関連論文リスト

• Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
  軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。 本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T16:33:07Z)
• 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)
• Combining ECG Foundation Model and XGBoost to Predict In-Hospital Malignant Ventricular Arrhythmias in AMI Patients [14.778478113602675]
  急性心筋梗塞(AMI)後の心室不整脈(VT/VF)は院内死亡の主な原因である。 本研究の目的は,大規模な心電図基礎モデル(ECGFounder)と解釈可能なXGBoost分類器を統合するハイブリッド予測フレームワークを開発することである。 AMI患者6,634例の心電図解析を行い,そのうち175例が院内VT/VFであった。
  論文  参考訳（メタデータ） (2025-10-20T05:26:55Z)
• CardioForest: An Explainable Ensemble Learning Model for Automatic Wide QRS Complex Tachycardia Diagnosis from ECG [2.2296422025503735]
  本研究の目的は、心電図信号からワイドQRS複合頻拍(WCT)を自動的に検出するためのアンサンブル機械学習ベースのフレームワークの開発と評価である。 提案システムは、CardioForestとして知られる最適化されたランダムフォレストのアンサンブル学習技術と、XGBoostやLightGBMのようなモデルを統合する。 テスト精度は95.19%、バランスの取れた精度は88.76%、精度は95.26%、リコールは78.42%、ROC-AUCは0.8886であった。
  論文  参考訳（メタデータ） (2025-09-30T05:23:57Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。 トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。 短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。