論文の概要: ECG-Scroll: A Long-Horizon, Streaming Benchmark and Agent Environment for Interpretation of Ambulatory Electrocardiograms
- arxiv url: http://arxiv.org/abs/2609.33117v1
- Date: Sun, 27 Sep 2026 02:38:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 10:19:10.308301
- Title: ECG-Scroll: A Long-Horizon, Streaming Benchmark and Agent Environment for Interpretation of Ambulatory Electrocardiograms
- Title（参考訳）: ECG-Scroll : 長期的, ストリーミングベンチマーク, エージェント環境による心電図の解釈
- Abstract要約: 我々は、長期のECG解釈を、長期のオンライン(ストリーミング、因果)シーケンシャルな意思決定プロセスとして再放送する。
ベンチマークとして、長い増幅記録はチャンク単位でエージェントチャンクにストリームされ、局所化、定量化、即時に発作的なイベントにフラグを付ける必要がある。
エージェント環境として、3つの能力を持つシングルランスECGモデルに決して触れない固定されたジムスタイルのインタラクション層である。
- 参考スコア（独自算出の注目度）: 30.527750299471293
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multimodal large language models (MLLMs) can now interpret a standard ten-second, twelve-lead electrocardiogram (ECG) with clinically grounded, reward-verified reasoning. Real cardiac monitoring is different. Ambulatory (Holter) and telemetry recordings span hours to days and are read as they stream in, and their clinically decisive findings are paroxysmal, brief episodes buried in an otherwise unremarkable trace. Such a recording cannot be held in one context at diagnostic resolution, and its future has not yet happened, so a reader must work online, deciding what to measure now, committing evidence to memory as it passes, and reporting events as they occur. We recast long-duration ECG interpretation as a long-horizon, online (streaming, causal) sequential decision process and introduce ECG-Scroll. As a benchmark, long ambulatory recordings are streamed to an agent chunk by chunk, and it must localize, quantify, and promptly flag paroxysmal events without access to future signal; because the underlying signal is retained, every answer is checkable against objective ground truth, giving rule-based rather than judge-based rewards, and the streaming formulation adds a metric batch evaluation cannot express, the detection latency between an event's onset and the moment the agent records it. As an agent environment, it is a fixed, gym-style interaction layer that exercises three competencies single-glance ECG models never touch: Memory, Tool use through signal-grounded measurement rather than reading pixels, and Planning of what to measure now and when to commit. We release 390 whole-recording instances spanning 2,536 hours of two-lead ambulatory ECG and evaluate a signal-threshold rule agent alongside off-the-shelf LLM agents online, characterizing how they use memory, tools, and planning and where the benchmark's head-room lies.
- Abstract（参考訳）: MLLM(Multimodal large language model)は、標準的な10秒12秒の心電図(ECG)を臨床的に根拠付き、報酬を検証した推論で解釈できる。
実際の心臓のモニタリングは違う。
気管支(ホルター)とテレメトリ記録は数時間から数日にわたって行われ、流れ込むと読み上げられ、臨床的に決定的な発見は発作性であり、短いエピソードはさほど目立たない痕跡に埋もれている。
このような記録は診断の解決時に1つの文脈で保持することはできず、その未来はまだ起こっていないため、読者はオンラインで作業し、現在を測定するかを決め、記憶に証拠をコミットし、出来事を報告しなければならない。
我々は、長期のECG解釈を、オンライン(ストリーミング、因果)シーケンシャルな意思決定プロセスとして再放送し、ECG-Scrollを導入する。
ベンチマークとして、長い増幅記録はチャンク単位でエージェントチャンクにストリームされ、将来の信号にアクセスせずにパーオキシスマルイベントをローカライズし、定量化し、即座にフラグを付ける必要がある。基礎となる信号は保持されているため、全ての答えは客観的な根拠の真理に対してチェック可能であり、判断に基づく報酬ではなくルールに基づくもので、ストリーミングの定式化は、メトリックバッチの評価を追加することはできない。
エージェント環境として、それは固定されたジムスタイルのインタラクション層で、3つの能力を持つシングルガンスECGモデルに決して触れない。
我々は、2つのリードの増幅ECGの2,536時間にわたる全記録インスタンスを390リリースし、市販のLCMエージェントとともに信号閾値ルールエージェントをオンラインで評価し、どのようにメモリ、ツール、計画を使い、ベンチマークのヘッドルームがどこにあるかを特徴付ける。
関連論文リスト
- PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。
セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。
SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。
ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
論文 参考訳（メタデータ） (2026-07-18T04:46:53Z) - MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。
生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。
結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
論文 参考訳（メタデータ） (2025-08-17T15:14:03Z) - Interpretable Graph Learning Over Sets of Temporally-Sparse Data [3.909781462298589]
本稿では,不規則な時間信号の集合を学習するための新規かつ解釈可能なモデルであるグラフ混合付加ネットワーク(GMAN)を提案する。
本手法は, 病院内死亡予測のAUROCスコアが4ポイント上昇するなど, 現実的な医療課題における最先端性を実現する。
ノードレベル、グラフレベル、サブセットレベルの重要度を含むその解釈能力が、移行フェーズの検出と医学的洞察の獲得を可能にしていることを実証する。
論文 参考訳（メタデータ） (2025-05-25T15:41:01Z) - Enhancing Electrocardiogram Signal Analysis Using NLP-Inspired Techniques: A Novel Approach with Embedding and Self-Attention [2.7651063843287718]
埋め込みと自己注意に基づく新しい心電図解析手法を提案し,心電図データの空間的および時間的依存性を捉える。
91%の精度でF1スコアが得られた。
論文 参考訳（メタデータ） (2024-07-15T12:20:15Z) - Real-time Automatic M-mode Echocardiography Measurement with Panel
Attention from Local-to-Global Pixels [8.745381510003666]
運動モード(Mモード)記録は、心臓の寸法と機能を測定するための心エコー検査の不可欠な部分である。
一定の結果を保証する自動化を構築するためのオープンデータセットは存在しない。
現在,Mモード心エコー図による経時的手指ラベリングが検討されている。
論文 参考訳（メタデータ） (2023-08-15T11:50:57Z) - Side Channel-Assisted Inference Leakage from Machine Learning-based ECG
Classification [10.85265545780868]
近年、多くの企業がECGモニタリングと不規則な心拍警告を備えたプロダクトをローンチしている。
時系列アルゴリズムの動的時間ワープ(DTW)は、ECG分類タスクを実行するために広く採用されている。
本稿では,ECG 入力サンプルのラベルをサイドチャネル攻撃である Flush+Reload によって盗むことができることを示す。
論文 参考訳（メタデータ） (2023-04-04T17:49:45Z) - Self-supervised motion descriptor for cardiac phase detection in 4D CMR
based on discrete vector field estimations [1.5755566067326996]
本研究では, 変形可能なベクトル場を用いて心循環の動的過程を, 導出した1次元モーションディスクリプタの形で効率的に記述する方法を示す。
我々は, マルチディスリーブ, センター, 走査型短軸CMRデータセットにおけるモーションディスクリプタの妥当性を評価する。
論文 参考訳（メタデータ） (2022-09-13T07:23:17Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z)
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。