論文の概要: Label-Efficient Deep Learning for ECG Delineation: A Multi-Dataset Benchmark against Widely Used Delineation Tools

• arxiv url: http://arxiv.org/abs/2610.07885v1
• Date: Tue, 06 Oct 2026 07:32:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.86931
• Title: Label-Efficient Deep Learning for ECG Delineation: A Multi-Dataset Benchmark against Widely Used Delineation Tools
• Title（参考訳）: ECG Delineationのためのラベル効率のよいディープラーニング: 広く使われているDelineationツールに対するマルチデータセットベンチマーク
• Abstract要約: 自己指導型プレトレーニングは心電図のデライン化に有効であることを示す。 選択したディープラーニングモデルを、広く使われているオープンソース(NeuroKit2、Prominence、ECGdeli)と商用(CalECG)ツールと比較した。 これらの結果は、自己教師付き事前学習が心電図のデライン化に有効であることを示す。
• 参考スコア（独自算出の注目度）: 4.9886341430052275
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electrocardiogram (ECG) delineation, the identification of waveform boundaries, is a foundational step that translates raw ECG signals into clinically interpretable measurements. Deep learning has advanced this task but remains dependent on costly expert annotations. Label-efficient strategies such as self-supervised pretraining and semi-supervised learning are expected to ease this burden, yet it remains unclear whether they yield reliable delineation and whether the deep models they produce outperform the delineation tools used in practice. We address this in two stages. First, comparing self-supervised objectives with supervised or semi-supervised fine-tuning across one internal and four external datasets, we find that pretraining helps but the objective matters, and that the value of semi-supervised fine-tuning depends on the pretraining objective. Second, we benchmark the selected deep learning model against widely used open-source (NeuroKit2, Prominence, ECGdeli) and commercial (CalECG) tools using three complementary metrics. The model ranks best on every metric and dataset, outperforming the strongest tool by a clear margin on the rhythm-diverse set (mIoU 71.3 vs. 54.8%; averaged point-wise sensitivity 92.6 vs. 76.4%), and degrades the least from sinus to arrhythmia. A rhythm-stratified and point-wise analysis further characterizes the distinctive behavior of each tool, yielding practical guidance for tool selection. These results provide systematic, multi-dataset evidence that self-supervised pretraining is effective for ECG delineation and enables a label-efficiently trained deep learning model to outperform widely used delineation tools by leveraging abundant unlabeled data. This supports adopting such models in diverse, real-world clinical settings.
• Abstract（参考訳）: 心電図(ECG)デライン化(Electrocardiogram delineation)は、生の心電図信号を臨床的に解釈可能な測定に変換する基礎的なステップである。 ディープラーニングはこのタスクを前進させたが、依然として高価な専門家のアノテーションに依存している。 自己指導型事前学習や半教師型学習のようなラベル効率のよい戦略は、この負担を軽減することが期待されているが、それらが信頼性の高いデライン化をもたらしているのか、実際に使用されるデライン化ツールより優れているのかは不明だ。 これを2段階に分けて解決する。 まず、自己監督対象を1つの内部および4つの外部データセットに対して教師付きまたは半教師付き微調整と比較すると、事前訓練は目的だけに役立ち、半教師付き微調整の価値は事前訓練対象に依存することが分かる。 第2に、選択したディープラーニングモデルを3つの相補的な指標を用いて、広く使われているオープンソース(NeuroKit2、Prominence、ECGdeli)と商用(CalECG)ツールに対してベンチマークする。 このモデルはすべてのメートル法とデータセットで最高位にランクされ、リズム・ディバース・セット(mIoU 71.3 vs. 54.8%、平均的なポイントワイド感度92.6 vs. 76.4%)で最強のツールよりも優れており、正弦波から不整脈への低下が最小である。 リズム階層化およびポイントワイズ分析により、各ツールの識別行動がさらに特徴づけられ、ツール選択のための実用的なガイダンスが得られる。 これらの結果は,自己教師型事前学習がECGのデライン化に有効であることを示すとともに,ラベル効率のよいディープラーニングモデルにより,豊富なラベル付きデータを活用することで,広く使われているデライン化ツールよりも優れていることを示す。 これは、多様な実世界の臨床環境において、そのようなモデルを採用するのをサポートする。

関連論文リスト

• Selectivity Drives Efficiency: Dataset Pruning for Visual Place Recognition [52.52131290631774]
  視覚的位置認識(VPR)に適したプレースワイズ・データセット・プルーニング・フレームワークを提案する。 本手法は,各場所を基本刈取単位として扱い,IPD(Intra-place diversity)とIPS(Inter-place similarity)の2つの新しい指標を導入する。 実験により, 提案手法は, 最先端のDPベースラインを異なるプルーニング比で連続的に上回ることを示した。
  論文  参考訳（メタデータ） (2026-07-16T12:16:00Z)
• Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis [52.10284705210197]
  機械学習予測器は、アロケーションに使用する場合、任意に貧弱な結果が得られることを示す。 正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を提案する。 既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。
  論文  参考訳（メタデータ） (2026-06-01T12:03:22Z)
• One Model to Critique Them All: Rewarding Agentic Tool-Use via Efficient Reasoning [54.580646706013965]
  リワードモデル(RM)は、大きな言語モデルと人間の嗜好の整合において重要な役割を果たす。 一般的なツール使用シナリオに適した軽量な生成型RMのファミリーであるToolRMを紹介する。 これらのモデルを構築するために,ルールベースのスコアリングと多次元サンプリングを用いたペアワイズ選好データを構築するパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-30T06:08:27Z)
• 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)
• Self-Supervised Pre-Training with Joint-Embedding Predictive Architecture Boosts ECG Classification Performance [0.0]
  10のパブリックECGデータベースを組み合わせることで、教師なしの大規模な事前トレーニングデータセットを作成します。 我々は、このデータセットでJEPAを使用してVision Transformerを事前トレーニングし、様々なTB-XLベンチマークでそれらを微調整する。
  論文  参考訳（メタデータ） (2024-10-02T08:25:57Z)
• Unsupervised Pre-Training Using Masked Autoencoders for ECG Analysis [4.3312979375047025]
  本稿では、心電図(ECG)信号のためのマスク付きオートエンコーダ(MAE)に基づく教師なし事前トレーニング手法を提案する。 さらに、ECG分析のための完全なフレームワークを形成するためのタスク固有の微調整を提案する。 フレームワークは高レベルで普遍的で、特定のモデルアーキテクチャやタスクに個別に適応していない。
  論文  参考訳（メタデータ） (2023-10-17T11:19:51Z)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。