論文の概要: Deep learning for non-transvenous ICD screening: tailored neural network architectures, extended experiments, and explainability

• arxiv url: http://arxiv.org/abs/2610.37993v1
• Date: Tue, 27 Oct 2026 21:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.336248
• Title: Deep learning for non-transvenous ICD screening: tailored neural network architectures, extended experiments, and explainability
• Title（参考訳）: 非経時的ICDスクリーニングのための深層学習--ニューラルネットワークアーキテクチャ、拡張実験、説明可能性
• Abstract要約: 本稿では,2つの非輸血型植込み型除細動器(ICD)について検討する。 過感度リスクは、T波またはP波振幅とR波振幅(T:R,P:R)の比によって予測される 本稿では,EV-ICDコホートにおける最初のT:R分析とP:R予測の完全な評価を含む,両デバイス用24時間増幅スクリーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper studies two non-transvenous implantable cardioverter-defibrillators (ICDs), namely the Subcutaneous ICD (S-ICD) and the Extravascular ICD (EV-ICD). Both avoid the complications of transvenous leads but are prone to oversensing, which can trigger inappropriate shocks associated with increased mortality. Oversensing risk is predicted by the ratio of T- or P-wave amplitude to R-wave amplitude (T:R, P:R), and these ratios vary over a 24-hour period. Yet S-ICD screening uses a single 10-second electrocardiogram (ECG) segment, and the EV-ICD has no formal screening protocol whatsoever. We present a 24-hour ambulatory screening framework for both devices which includes the first T:R analysis in an EV-ICD cohort and the first full evaluation of P:R prediction. We introduce AmpRatioNet, a family of 1D convolutional neural network architectures operating directly on the ECG signal, and benchmark it against the best existing approach - based on 2D phase space reconstruction images. Evaluation uses 4,605 clinician-annotated 10-second segments from 89 patients, with patient-level 10-fold cross-validation and bootstrap confidence intervals. AmpRatioNet-SE demonstrates superior performance on every metric in each setting with no device- or ratio-specific redesign. An explainability analysis against interpretable classical peak labelling algorithms shows that AmpRatioNet-SE's increase in error on oversensing-prone segments is up to 14 times smaller than theirs. Segment-level predictions are aggregated into a 24-hour timeline, extending S-ICD screening beyond 10 seconds and offering a plausible EV-ICD screening pathway pending device-level validation.
• Abstract（参考訳）: 本稿では, 血管外ICD (Subcutaneous ICD, S-ICD) と血管外ICD (EV-ICD) の2つの非経時的植込み型除細動器について検討した。 両者とも経静脈的鉛の合併症を避けるが、過敏症になりやすいため、死亡率の増加に伴う不適切なショックを引き起こすことがある。 オーバーセンシングリスクは、T波またはP波の振幅とR波の振幅(T:R,P:R)の比で予測され、これらの比は24時間にわたって変化する。 しかし、S-ICDスクリーニングは1つの10秒間の心電図(ECG)セグメントを使用し、EV-ICDには正式なスクリーニングプロトコルがない。 本稿では,EV-ICDコホートにおける最初のT:R分析とP:R予測の完全な評価を含む,両デバイス用24時間増幅スクリーニングフレームワークを提案する。 我々は,ECG信号を直接操作する1次元畳み込みニューラルネットワークアーキテクチャのファミリであるAmpRatioNetを紹介し,それを2次元位相空間再構成画像に基づいて,最も優れたアプローチと比較する。 患者レベル10倍のクロスバリデーションとブートストラップの信頼性間隔を有する89例から4,605個の臨床診断10秒分を用いて評価を行った。 AmpRatioNet-SEは、デバイスや比率固有の再設計なしで、各設定のメトリック毎に優れたパフォーマンスを示す。 解釈可能な古典的ピークラベリングアルゴリズムに対する説明可能性解析により、AmpRatioNet-SEのオーバーセンシングプロンセグメントにおけるエラーの増加は、それらよりも最大14倍小さいことが示された。 セグメントレベルの予測は24時間タイムラインに集約され、S-ICDのスクリーニングを10秒以上延長し、デバイスレベルの検証を保留するもっともらしいEV-ICDスクリーニングパスを提供する。

関連論文リスト

• The Impact of Temporal Context Length and Encoding Strategies on Self-Supervised ECG Representation Learning [0.8411385346896411]
  心電図(ECG)モデルは、しばしば数秒間の心電図信号に基づいて訓練される。 これらの選択がリズム推定や時間的整合性に必要な情報を犠牲にしているかどうかは不明である。 我々はIcentia11kシングルリードデータセットについて制御された研究を行った。
  論文  参考訳（メタデータ） (2026-08-13T01:18:39Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
  OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。 現在の最先端の証拠は、機能ベースのランダムな森林と畳み込みニューラルネットワーク(CNN)の両方が、OMIのECG検出を改善するための有望なアプローチであることを示唆している。 我々はOMI識別のためのECG--NETを開発し評価する。
  論文  参考訳（メタデータ） (2024-05-08T19:59:16Z)
• 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)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Deep learning methods for screening patients' S-ICD implantation eligibility [3.4253416336476246]
  皮下植込み型除細動器(s-icds)は心室性不整脈による突然の心死の予防に用いられる。 T Wave Over Sensing (TWOS)は、S-ICDに固有のリスクであり、不適切なショックを引き起こす可能性がある。 TWOSの主要な予測器は、高いT:R比(T波とR波の振幅の比率)です。
  論文  参考訳（メタデータ） (2021-03-10T12:37:36Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。