Fugu-MT 論文翻訳(概要): TRACE: Expert-Aligned ECG Representation Learning with Rigorous Benchmarking and Real-World Validation in Acute Cardiac Care

論文の概要: TRACE: Expert-Aligned ECG Representation Learning with Rigorous Benchmarking and Real-World Validation in Acute Cardiac Care

arxiv url: http://arxiv.org/abs/2609.34088v1
Date: Mon, 28 Sep 2026 01:26:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-04 07:06:23.437185
Title: TRACE: Expert-Aligned ECG Representation Learning with Rigorous Benchmarking and Real-World Validation in Acute Cardiac Care
Title（参考訳）: TRACE: 重症心電図表現学習 : 厳格なベンチマークとリアルタイム心電図評価
Abstract要約: TRACE(Text-Reinforced Analysis of Cardio ECGs)は、心電図のマルチモーダル表現モデルである。既存のCLIPスタイルのトレーニングの限界に対処するために設計されている。
参考スコア（独自算出の注目度）: 4.6455948532861315
License: http://creativecommons.org/licenses/by/4.0/
Abstract: TRACE (Text-Reinforced Analysis of Cardio ECGs) is a multimodal electrocardiogram (ECG) representation model that learns clinically grounded signal embeddings for downstream cardiac classification. It is designed to address the limitations of existing CLIP-style training, which often struggles with noisy clinical text and fails to leverage the complementary strengths of unimodal (from ECG) and cross-modal (between ECG and matched cardiologist reports) learning. To bridge this gap, we propose a hybrid architecture that jointly learns unimodal and cross-modal representations via uncertainty-weighted multi-task learning while utilizing an LLM-based pipeline to extract high-fidelity findings from cardiologist reports. We evaluate TRACE across a spectrum of clinical urgency, establishing robust performance on public benchmarks for arrhythmia classification and structural abnormalities relative to existing unimodal and multimodal ECG models. To demonstrate real-world utility, we further validate the model on acute coronary occlusion (ACO), where the prevailing ST-elevation criteria miss 25-34% of true occlusions. Utilizing a large private ACO dataset with expert-annotated ground truth, TRACE significantly outperforms real-world clinical practice, yielding a 19.0% increase in sensitivity or a 62.6% reduction in false positive rates at the clinical baseline. This extensive evaluation confirms that TRACE delivers both strong performance on benchmark tasks and tangible clinical impact in the most acute, high-risk cardiac scenarios.
Abstract（参考訳）: TRACE(Text-Reinforced Analysis of Cardio ECGs)は、心電図(ECG)表現モデルである。既存のCLIPスタイルのトレーニングの限界に対処するために設計されており、ノイズの多い臨床テキストに苦しむことが多く、(心電図から)ユニモダルと(心電図から)クロスモーダル(心電図と整合した心臓医のレポートまで)学習の相補的な強みを利用することができない。このギャップを埋めるために,LLMに基づくパイプラインを用いて,不確実性重み付きマルチタスク学習を通じて一様およびクロスモーダル表現を共同で学習するハイブリッドアーキテクチャを提案する。不整脈分類および既往の単調心電図モデルとマルチモーダル心電図モデルに比較して, TRACEを臨床緊急度の範囲で評価し, 不整脈分類および構造異常の公的なベンチマークで頑健な成績を示した。実世界の有用性を示すために,ST上昇基準が真の閉塞の25～34%を欠く急性冠閉塞(ACO)モデルをさらに検証した。 TRACEは、専門家に注釈を付けた大規模なACOデータセットを使用して、実際の臨床実践を著しく上回り、感度が19.0%上昇するか、臨床ベースラインでの偽陽性率が62.6%低下する。この広範囲な評価により、TRACEは、最も急性でリスクの高い心臓のシナリオにおいて、ベンチマークタスクに強いパフォーマンスと具体的な臨床効果をもたらすことが確認された。

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)
EchoSonar-R: A Multi-View Reasoning-Enabled Model for Disease Classification and Report Generation in Echocardiography [4.445909648625997]
疾患分類と報告生成を共同で行う多視点推論対応視覚対応モデルであるEchoSonar-Rを提案する。 EchoSonar-Rは2つの段階で訓練されている: 推論アノテート対象に関する教師付き微細言語エンコーダ (SFT) と、タスク固有の報酬を伴うグループ相対ポリシー最適化 (O) である。 EchoSonar-Rではマクロバランスの精度が17.1%向上し、MIMICQAでは6.1%向上した。
論文参考訳（メタデータ） (2026-06-26T14:58:45Z)
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)
HeartBeatAI: An Interpretable and Robust Deep Learning Framework for Multi-Label ECG Arrhythmia Detection [17.31345778518897]
HeartBeatAIは、ドメインの一般化、マルチスケールの機能集約、およびロバスト12リードECG分類のための臨床説明性を組み合わせたディープラーニングフレームワークである。ドメインシフトを軽減するため、フレームワークはMixStyle正規化とLabel Smoothingを採用している。 LoDO評価は、まれな異常の検出において重大な劣化を示し、組織間デプロイメントにおける永続的な課題を浮き彫りにしている。
論文参考訳（メタデータ） (2026-05-23T13:58:12Z)
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)
Detecting Structural Heart Disease from Electrocardiograms via a Generalized Additive Model of Interpretable Foundation-Model Predictors [8.817617912039616]
構造心疾患 (SHD) は多くの未診断例で一般的である。近年の研究では、心電図(ECG)の人工知能に基づく解析がSHDを検出できることが示されている。既存の方法は、完全にブラックボックスモデルであり、解釈可能性と臨床応用を制限する。
論文参考訳（メタデータ） (2026-03-03T05:39:32Z)
Transferring Clinical Knowledge into ECGs Representation [0.19498378931702776]
本稿では,マルチモーダル臨床データから強力なECGエンコーダへ知識を伝達する新しい3段階トレーニングパラダイムを提案する。我々は、文脈的臨床情報に富んだ心電図表現を作成するために、自己監督型、共同埋め込み型プレトレーニングステージを用いている。モデルの出力を説明する間接的な方法として、ECG埋め込みから直接、関連する実験室の異常を予測できるように訓練する。
論文参考訳（メタデータ） (2025-12-07T22:19:24Z)
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)
LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文参考訳（メタデータ） (2025-08-23T07:21:23Z)
Robust Deep Learning for Myocardial Scar Segmentation in Cardiac MRI with Noisy Labels [0.493599216374976]
そこで我々は, 微細調整による心筋傷の自動検出とセグメンテーションのための, 堅牢なディープラーニングパイプラインを提案する。急性と慢性の両方の症例でモデルの性能を評価し, 正確かつスムーズなセグメンテーションを創出できることを実証した。
論文参考訳（メタデータ） (2025-06-26T11:21:58Z)
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)

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。