論文の概要: Physiology-Aware Graph Attention for Early Ventricular Reentry Prediction

• arxiv url: http://arxiv.org/abs/2610.26430v1
• Date: Mon, 19 Oct 2026 13:55:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:18:28.721957
• Title: Physiology-Aware Graph Attention for Early Ventricular Reentry Prediction
• Title（参考訳）: 早期心室再突入予測のための生理的グラフアテンション
• Abstract要約: 心電気生理学的シミュレーションから心室再突入の早期予測のためのグラフ注意分類器を提案する。 1000のシミュレーションのバランスの取れた独立したテストセットにおいて、分類器は94.6%の精度、95.4%の感度、93.8%の特異性、94.6%のF1スコア、0.987のROC-AUC、0.985のPR-AUCを達成している。
• 参考スコア（独自算出の注目度）: 12.02427694140997
• License:
• Abstract: Sudden cardiac death mostly originates from post-infarct ventricular tachycardia. This reentry is sustained by propagation around scar tissue, but its risk remains difficult to predict from infarct imaging alone. While in silico induction studies can reveal these mechanisms, exploring many substrates and pacing locations remains computationally expensive. We propose a graph attention classifier for early prediction of sustained ventricular reentry from simulated cardiac electrophysiology. Each simulation is represented as a graph with early nodal voltage samples and edge attributes encoding geometry, stimulation frequency, tissue labels, amplitude, and diastolic interval. These descriptors are computed only from the first two paced activations, before sustained reentry is observed. On a balanced independent test set of 1000 simulations, the classifier achieves 94.6% accuracy, 95.4% sensitivity, 93.8% specificity, 94.6% F1-score, 0.987 ROC-AUC, and 0.985 PR-AUC. Ablation experiments show that diastolic interval is the most critical descriptor. Qualitative attention inspection suggests that different heads focus on border-zone, stimulation location, and early propagation path. These results support graph attention as a fast early-prediction approach for large-scale in silico ventricular reentry studies.
• Abstract（参考訳）: 突然の心臓死は主に梗塞後の心室頻拍に由来する。 この再突入は傷痕組織周囲の伝播によって維持されるが、梗塞画像だけでは予測が困難である。 シリカ誘導の研究ではこれらのメカニズムを明らかにすることができるが、多くの基質やペーシング位置を探索することは計算に費用がかかる。 心電気生理学的シミュレーションから心室再突入の早期予測のためのグラフ注意分類器を提案する。 各シミュレーションは、初期結節電圧サンプルとエッジ属性が幾何学、刺激周波数、組織ラベル、振幅、拡張間隔を符号化したグラフとして表現される。 これらの記述子は、持続的な再突入が観測される前に、最初の2つのペースの活性化からのみ計算される。 1000のシミュレーションのバランスの取れた独立したテストセットにおいて、分類器は94.6%の精度、95.4%の感度、93.8%の特異性、94.6%のF1スコア、0.987のROC-AUC、0.985のPR-AUCを達成している。 アブレーション実験により、拡張期間隔が最も重要な記述子であることが示されている。 定性的注意検査は、異なる頭部が境界線、刺激位置、早期伝播経路に焦点を絞っていることを示唆している。 これらの結果は,サイリコ心室再突入研究における早期早期予測手法としてのグラフアテンションを裏付けるものである。

関連論文リスト

• Self-Supervised Cardiac Phase Detection via Single-Parameter Latent Orbits [44.45620787098836]
  心エコー図におけるエンドジストール (ED) とエンドジストール (ES) の正確な同定は、心機能の定量化を支えている。 最近の自己監督手法は、厳密な周期軌道を規定するか、あるいは再構成や登録目的から制約のない低次元運動部分空間を学習する。 我々は、効率的な潜在軌道を学習し、EDローカライゼーションにおける技術の以前の状態を大幅に改善し、ESローカライゼーションにおいて、より制約のある表現とより少ないトレーニングエポックを用いて、それをマッチングする。
  論文  参考訳（メタデータ） (2026-09-10T14:56:16Z)
• Atrial Fibrillation Detection Using Machine Learning [3.5522386235856582]
  心房細動(AF)は、一般的な不整脈であり、虚血性脳卒中の主要な危険因子である。 本稿では,ECG信号とECG信号の同時検出のための10倍の機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-20T07:30:08Z)
• Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
  本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。 心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。 提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
  論文  参考訳（メタデータ） (2025-07-24T09:40:24Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• A Novel real-time arrhythmia detection model using YOLOv8 [0.0]
  本研究は,在宅における心電図(ECG)のリアルタイム不整脈検出の可能性を明らかにするものである。 我々は,MIT-BIH不整脈データセットを微調整した損失修正型YOLOv8モデルを導入し,リアルタイム連続監視を実現する。 我々の研究は、リアルタイム不整脈検出の可能性を示し、ユーザーが自宅の快適さの中でモデル出力を視覚的に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-05-26T08:27:09Z)
• Interpretable estimation of the risk of heart failure hospitalization from a 30-second electrocardiogram [2.167398752829277]
  本研究は,30秒の単心電図信号で心不全の入院を推定できることを示唆する。 機械学習アプローチを使用することで、予測能力が向上するだけでなく、臨床的に意味のある解釈も得られる。
  論文  参考訳（メタデータ） (2022-11-02T01:53:07Z)
• Deep artificial neural network for prediction of atrial fibrillation through the analysis of 12-leads standard ECG [0.0]
  心房細動(Atrial Fibrillation,AF)は心臓不整脈である。 畳み込みニューラルネットワークを用いてECGを分析し,現実的なデータセットからAFを予測する。
  論文  参考訳（メタデータ） (2022-01-14T10:09:01Z)
• Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
  本研究では,新しいセグメンテーションフリー心音分類法を提案する。 具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。 サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
  論文  参考訳（メタデータ） (2021-08-09T16:09:30Z)

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。