Fugu-MT 論文翻訳(概要): Accurate and Auditable ECG Classification via Visibility Graph Neural Networks

論文の概要: Accurate and Auditable ECG Classification via Visibility Graph Neural Networks

arxiv url: http://arxiv.org/abs/2610.41795v1
Date: Fri, 30 Oct 2026 14:24:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-02 22:05:31.769439
Title: Accurate and Auditable ECG Classification via Visibility Graph Neural Networks
Title（参考訳）: 可視性グラフニューラルネットを用いた精度・精度の高い心電図分類
Abstract要約: 我々は、各心拍をタイムスタンプ付き回転点の疎可視グラフとして表現するグラフニューラルネットワークLYNX-ECGを紹介する。 CODE-Testでは、LYNX-ECG がマクロ F1 スコア 0.889 に達し、5つのベースラインを上回っている。伝導障害については, 正しい予測の90%以上において, 臨床に期待される領域が最強の証拠であった。
参考スコア（独自算出の注目度）: 13.441102206043785
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Physicians read electrocardiograms (ECGs) from waveform shape and timing, yet accurate deep-learning classifiers rarely show which waveform regions drive their predictions. We introduce LYNX-ECG, a graph neural network that represents each heartbeat as a sparse visibility graph of timestamped turning points. On CODE-Test, LYNX-ECG reaches a macro F1 score of 0.889, outperforming five baselines including the ECGFounder foundation model, while its graphs need about 14% of the storage of graphs built from every sample. Because each node maps to a specific ECG time, we can delete clinically defined waveform regions and alter beat timing to audit predictions. For conduction disorders, the clinically expected region was the strongest evidence in more than 90% of correct predictions. Bradycardia and tachycardia calls follow heart rate with conduction intervals held fixed, and atrial fibrillation calls vanish when beat-to-beat variation is removed. Sparse visibility graphs thus pair accurate ECG classification with clinically grounded, testable explanations.
Abstract（参考訳）: 医師は、波形の形状とタイミングから心電図(ECG)を読み取るが、正確なディープラーニング分類器は、どの波形領域が予測を駆動しているかを示すことは滅多にない。我々は、各心拍をタイムスタンプ付き回転点の疎可視グラフとして表現するグラフニューラルネットワークLYNX-ECGを紹介する。 CODE-Testでは、LYNX-ECGがマクロF1スコア0.889に達し、ECGFounderファンデーションモデルを含む5つのベースラインを上回っている。各ノードは特定のECG時間にマップするため、臨床で定義された波形領域を削除し、ビートタイミングを変更して予測を監査することができる。伝導障害については, 正しい予測の90%以上において, 臨床に期待される領域が最強の証拠であった。心房細動は拍動と拍動の変動によって消失するが, 拍動と拍動の変動により心房細動は消失する。スパース・ヴィジュアライゼーション・グラフは臨床的に根拠があり、検証可能な説明と正確なECG分類のペアである。

関連論文リスト

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)
Motif-based morphology signatures for interpretable ECG screening and monitoring [0.2578242050187029]
本稿では,拍動対応心電図モチーフを心電図の解釈可能なシグネチャとして定義するモチーフベースのフレームワークを提案する。本稿では,通常の正弦律からの偏差,個人化ベースラインからの偏差,モチーフ不安定指数の3つの解釈可能なドリフト指標を紹介する。我々は,これらの指標を,短期(PTB-XL)と長期(MIT-BIH Arrhythmia)のECGデータセットで評価した。
論文参考訳（メタデータ） (2026-05-26T16:15:07Z)
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)
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)
FoundationalECGNet: A Lightweight Foundational Model for ECG-based Multitask Cardiac Analysis [1.1666234644810893]
FoundationalECGNetは、ECGの自動分類のための基礎的なフレームワークである。はじめに正常心電図信号と異常心電図信号を区別し、次に異常心電図信号を5つの心臓状態の1つに分類する。伝導障害および肥大症に対する99%のF1スコアを含む多クラス疾患検出における最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2025-09-10T19:48:07Z)
Interpretable Pre-Trained Transformers for Heart Time-Series Data [15.377534937558744]
我々は、PTG-PTとECG-PTの2つのトレーニング済み汎用心臓モデルを作成する。 PPGのジクロティックノッチや心電図のP波など,個々の注意が生理学的に反する特徴に反応することを強調した。これらの事前訓練されたモデルは、心房細動(AF)の分類や、光胸腺撮影におけるビート検出などのタスクにおいて、簡単に微調整できる。
論文参考訳（メタデータ） (2024-07-30T12:22:03Z)
Deep Learning Models for Arrhythmia Classification Using Stacked Time-frequency Scalogram Images from ECG Signals [4.659427498118277]
本稿では,心電図に基づく不整脈分類のためのAI自動分類システムを提案する。深層学習に基づく解法は心電図に基づく不整脈分類のために提案されている。
論文参考訳（メタデータ） (2023-12-01T03:16:32Z)
Graph Neural Networks for Topological Feature Extraction in ECG Classification [11.337163242503166]
グラフニューラルネットワークを用いて心拍を分類する3つの手法を提案する。提案した3つの手法は、それぞれ99.38、98.76、91.93パーセントの精度で不整脈分類予測を行うことができる。
論文参考訳（メタデータ） (2023-11-02T16:14:34Z)
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)
Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。