論文の概要: MS-ECG-FM: Towards a More Universal Electrocardiogram Foundation Model for Health Monitoring using Multi-source Contrastive Learning
- arxiv url: http://arxiv.org/abs/2610.07662v1
- Date: Tue, 06 Oct 2026 02:58:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.777996
- Title: MS-ECG-FM: Towards a More Universal Electrocardiogram Foundation Model for Health Monitoring using Multi-source Contrastive Learning
- Title（参考訳）: MS-ECG-FM:マルチソースコントラスト学習を用いた健康モニタリングのためのより普遍的な心電図基礎モデル
- Abstract要約: 我々は,複数の臨床ノートタイプに対するコントラストアライメントによってトレーニングされた新しいECG基盤モデルであるMS-ECG-FMを紹介する。
我々は,拡張されたECG検出ベンチマークを用いてMS-ECG-FMを評価し,ECGが検出できる全条件において,既存の手法よりも総合的に優れていることを示す。
- 参考スコア（独自算出の注目度）: 7.852628727781536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrocardiography (ECG) records the electrical activity of the heart, aiding diagnosis by detecting abnormalities in cardiac function. ECG foundation models have demonstrated promising results, but are limited by a reliance on ECG interpretation reports as their sole supervision. Because interpretation reports only capture the subset of waveform information routinely recognized by clinicians, this constrains representation learning to overlook the broader diagnostic signals present in ECG. We introduce a new ECG foundation model --- MS-ECG-FM --- that is trained through contrastive alignment to multiple distinct clinical note types, including ECG, echocardiography, radiology, and discharge reports. We evaluate MS-ECG-FM on an extended set of ECG detection benchmarks, showing that it comprehensively outperforms existing methods on the full span of conditions that ECG can detect, including in reduced-lead configurations. Different reports improve representations for different diagnostic domains, while multi-source alignment captures their complementary information and produces consistently strong representations across clinically diverse tasks.
- Abstract（参考訳）: 心電図(ECG)は、心機能の異常を検出することで、心臓の電気活動を記録する。
ECGファウンデーションモデルは有望な結果を示したが、ECGの解釈報告を唯一の監督機関として頼りにしているため制限されている。
解釈報告は、臨床医が日常的に認識している波形情報のサブセットのみを捉えているため、この制約は、ECGに存在するより広い診断信号を見渡すための表現学習である。
我々は,心電図,心エコー図,放射線診断,退院報告など,複数の異なる臨床書式と対比して整合する新しい心電図基礎モデル(MS-ECG-FM)を導入する。
我々は,拡張されたECG検出ベンチマークを用いてMS-ECG-FMを評価し,ECGが検出できる全条件において既存の手法を総合的に上回っていることを示す。
異なる報告は異なる診断領域の表現を改善する一方、マルチソースアライメントは相補的な情報をキャプチャし、臨床上多様なタスクに対して一貫して強い表現を生成する。
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-LENS: Lead-Aware Clinical Context Enriched ECG Report Generation and Evaluation [5.4061821164321175]
ECGレポートの生成は、臨床医の解釈作業負荷を削減し、診断効率を向上し、保存されていない地域社会における心臓アセスメントへのアクセスを拡大する可能性がある。
本稿では, マルチリード信号モデリング, 診断認識表現, 臨床背景テキスト生成を統合した, エンドツーエンドのECGレポート生成フレームワークであるECG-LENSを提案する。
論文 参考訳（メタデータ） (2026-08-06T11:18:31Z) - 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) - 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) - Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。
Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。
Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
論文 参考訳（メタデータ） (2025-06-06T07:56:41Z) - 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) - ME-GAN: Learning Panoptic Electrocardio Representations for Multi-view
ECG Synthesis Conditioned on Heart Diseases [24.52989747071257]
本稿では,ME-GAN と呼ばれる多視点心電図合成のための疾患認識型生成対向ネットワークを提案する。
心臓疾患の心電図は特定の波形に局所化されることが多いため,適切な場所に病情報を正確に注入する「ミックスアップ正規化」を提案する。
総合的な実験により,ME-GANは多視点ECG信号合成において信頼性の高いモルビッド表現を用いて良好に機能することが確認された。
論文 参考訳（メタデータ） (2022-07-21T14:14:02Z)
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。