論文の概要: IECG: Weakly-Supervised Interpretability-Enhancing Foundation Model for Electrocardiogram
- arxiv url: http://arxiv.org/abs/2610.28083v1
- Date: Tue, 20 Oct 2026 12:03:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.797225
- Title: IECG: Weakly-Supervised Interpretability-Enhancing Foundation Model for Electrocardiogram
- Title（参考訳）: IECG : 心電図のための微弱に改良された解釈可能性-エンハンス基礎モデル
- Abstract要約: 本稿では,診断分類と異常局所化を共同で行う,弱教師付きECG基盤モデルIECGを提案する。
ECGは、確立された心電図臨床知識から異常な熱マップ擬似ラベルを導出することにより、臨床の先例を取り入れている。
プレトレーニング中、IECGは、臨床的に誘導された注意監督、ECGテキストのコントラストアライメント、キャプションの目的の報告を共同で最適化する。
- 参考スコア（独自算出の注目度）: 9.411414709866081
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electrocardiography (ECG) is a cornerstone of cardiac diagnosis, yet most machine learning methods for ECG analysis lack interpretability, limiting their clinical adoption. We present IECG, a weakly-supervised ECG foundation model that jointly performs diagnostic classification and abnormality localization without requiring manual abnormal region annotations, overcoming a long-standing bottleneck in interpretable ECG learning. Central to IECG is a weakly-supervised attention strategy that explicitly incorporates clinical priors by deriving abnormality heatmap pseudo-labels from established ECG clinical knowledge. These pseudo-labels guide the model's CLS-token attention through a KL-divergence loss, encouraging it to focus on diagnostically relevant waveform regions. During pretraining, IECG is jointly optimized with clinically guided attention supervision, ECG-text contrastive alignment, and report captioning objectives, enabling it to learn rich multimodal representations while producing localized waveform evidence. By explicitly aggregating features from clinically guided attention regions, IECG grounds its diagnostic predictions in interpretable waveform evidence without sacrificing classification performance. Extensive experiments demonstrate that IECG achieves state-of-the-art abnormal region localization while maintaining strong classification performance, advancing trustworthy foundation models for ECG analysis.
- Abstract（参考訳）: 心電図(ECG)は心臓診断の基盤となっているが、ほとんどの機械学習による心電図解析は解釈可能性に欠けており、臨床応用が制限されている。
本稿では,手動の異常領域アノテーションを必要とせず,診断分類と異常局所化を共同で行う,弱い教師付きECG基盤モデルであるIECGについて述べる。
中枢性心電図は,心電図の知識から異常な熱マップの擬似ラベルを抽出し,臨床の先行点を明確に取り入れた,弱監督型の注意戦略である。
これらの擬似ラベルは、KL分割損失を通じてモデルのCLS対応の注意を誘導し、診断に関連のある波形領域に焦点を合わせることを奨励する。
プレトレーニング中、IECGは、臨床的に誘導された注意監督、ECGテキストのコントラストアライメント、キャプションの目的の報告を共同で最適化し、ローカライズされた波形のエビデンスを生成しながら、リッチなマルチモーダル表現を学習することができる。
臨床的に誘導された注意領域の特徴を明示的に集約することにより、IECGは分類性能を犠牲にすることなく、解釈可能な波形証拠の診断予測を行う。
広範囲にわたる実験により,IECGは高度な分類性能を維持しつつ,最先端の異常領域の局所化を実現し,ECG解析のための信頼性の高い基礎モデルを推し進めた。
関連論文リスト
- MS-ECG-FM: Towards a More Universal Electrocardiogram Foundation Model for Health Monitoring using Multi-source Contrastive Learning [7.852628727781536]
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。
論文 参考訳（メタデータ） (2026-10-06T02:58:14Z) - 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) - Reasoning Before Diagnosis: Physician-Inspired Structured Thinking for ECG Classification [42.25934029112465]
既存のアプローチのほとんどは、明確な臨床推論なしでECG信号から直接ラベルを予測する。
CardioThinkは、医師にインスパイアされたマルチモーダル言語モデル(MLLM)フレームワークであり、診断推論プロセスを明示的にモデル化する。
本稿では,この構造的推論形式と可変サイズ診断セットの精度を協調的に最適化するために,構造的集合ポリシー最適化(SSPO)を導入する。
論文 参考訳（メタデータ） (2026-05-17T07:55:46Z) - 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) - 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) - A CNN-based Local-Global Self-Attention via Averaged Window Embeddings for Hierarchical ECG Analysis [1.0844302367985357]
本稿では,この制限に対処するため,新しいLGA(Local-Global Attention ECG)モデルを提案する。
提案手法は,重なり合う畳み込みウィンドウから得られる埋め込みを平均化することでクエリを抽出する。
CODE-15データセットで行った実験は、LGA-ECGが最先端モデルより優れていることを示した。
論文 参考訳（メタデータ） (2025-04-13T01:21:18Z) - 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) - ECG Arrhythmia Detection Using Disease-specific Attention-based Deep Learning Model [0.0]
短絡心電図記録から不整脈を検出するための病気特異的注意ベースディープラーニングモデル(DANet)を提案する。
新しいアイデアは、既存のディープニューラルネットワークにソフトコーディングまたはハードコーディングの波形拡張モジュールを導入することである。
DANetをソフトコーディングするためには、自己教師付き事前学習と2段階教師付きトレーニングを組み合わせた学習フレームワークも開発する。
論文 参考訳（メタデータ） (2024-07-25T13:27:10Z)
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。