論文の概要: ECGJev: Question-Conditioned Option Scoring for 12-Lead ECG Interpretation

• arxiv url: http://arxiv.org/abs/2611.02041v1
• Date: Sun, 01 Nov 2026 16:39:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:06:13.914412
• Title: ECGJev: Question-Conditioned Option Scoring for 12-Lead ECG Interpretation
• Title（参考訳）: ECGJev:12レベルECG解釈のための質問条件付きオプションスコーリング
• Abstract要約: ECGJevは決定デコーダ上に構築されたフレームワークである。 事前訓練された言語モデルは、リストされた全てのオプションの確率を返します。 ECGJevは4つのECGベンチマークで評価される。
• 参考スコア（独自算出の注目度）: 16.738757904356486
• License:
• Abstract: Clinical interpretation of a 12-lead electrocardiogram (ECG) often requires answering targeted diagnostic questions with clear, quantifiable decisions. We introduce ECGJev, the first ECG framework built on a decision decoder, a pretrained language model trained to return a probability for every listed option. A question-conditioned bridge compresses frozen waveform and spectrogram features into 16 ECG tokens, and a two-stage procedure adapts the bridge and low-rank adapters on the decoder's native option readout using diagnostic labels alone, scoring all options for a question in one forward pass. Evaluated across four ECG benchmarks, ECGJev achieves the highest macro-F1 on CPSC2018 (80.46%), PTB-XL (71.68%) and Chapman (96.86%), and generalizes competitively to the small-sample PTB cohort. Concept probes and perturbation analyses further show that its predictions rely directly on the ECG input, remain stable under option-order and wording variations, and transfer zero-shot to unseen waveform concepts. Our code is available at https://github.com/zhuoyuanli-lab/ECGJev.
• Abstract（参考訳）: 12誘導心電図(ECG)の臨床的解釈は、しばしば、対象とする診断問題に、明確で定量的な判断で答える必要がある。 我々はECGJevを紹介した。ECGJevは決定デコーダ上に構築された最初のECGフレームワークである。 疑問条件付きブリッジは、凍結波形とスペクトログラムの特徴を16個のECGトークンに圧縮し、2段階のプロシージャは、診断ラベルのみを使用してデコーダのネイティブオプション読み出しにブリッジとローランクアダプタを適応させ、質問の全てのオプションを1つの前方パスでスコア付けする。 ECGJevは4つのECGベンチマークで評価され、CPSC2018 (80.46%)、TB-XL (71.68%)、チャップマン (96.86%)で最高マクロF1を達成し、小サンプルのTBコホートに競争的に一般化する。 概念プローブと摂動解析により、その予測はECG入力に直接依存し、オプション順序や単語のバリエーションの下で安定であり、ゼロショットを目に見えない波形の概念に転送することを示した。 私たちのコードはhttps://github.com/zhuoyuanli-lab/ECGJev.comで入手可能です。

関連論文リスト

• EEG-Captioner: Grounding EEG-to-Language Generation in Fundamental Signal Properties [57.3201784919623]
  我々は,信号レベル質問応答(QA)ペアを付加した160,781セグメントのEEG言語データセットを構築した。 信号レベルQAとキャプション監督の両方で訓練されたEEG-to-LanguageフレームワークであるEEG-Captionerを提案する。
  論文  参考訳（メタデータ） (2026-10-22T09:37:53Z)
• ECGQuest: Benchmarking and Fine-Tuning Language Models for Electrocardiography [1.3488919270143456]
  ECGQuestは、ECG固有の言語モデルの評価と微調整のための文学的なリソースである。 ゼロショット環境でのホールドアウトテストセットにおいて,3つの商用および20のオープンソース言語モデルを評価した。 汎用モデルは医学的に専門化されたモデルより優れ、いくつかのモデルは強いTrue/Falseバイアスを示し、エンコーダのベースラインは偶然に実行された。
  論文  参考訳（メタデータ） (2026-08-31T14:45:58Z)
• 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)
• 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)
• CAMEL: An ECG Language Model for Forecasting Cardiac Events [17.69153622989266]
  本稿では,CAMELを提案する。CAMELは,より長い信号時間で推測できる最初のECG言語モデルである。 我々の重要な洞察は、テキストによるECG信号の相互理解を可能にする専用のECGエンコーダである。 確立したLLM学習手順を用いてCAMELを訓練し、LoRA適応とカリキュラム学習パイプラインを組み合わせた。
  論文  参考訳（メタデータ） (2026-02-17T16:02:52Z)
• GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images [44.50428701650495]
  GEMは,第1回MLLM統合ECG時系列,第12回リードECG画像,地上および臨床のECG解釈のためのテキストである。 GEMは、3つのコアイノベーションを通じて機能的解析、エビデンス駆動推論、および臨床医のような診断プロセスを可能にする。 基礎心電図理解におけるMLLMの能力を評価するために,臨床動機付けのベンチマークであるグラウンドドECGタスクを提案する。
  論文  参考訳（メタデータ） (2025-03-08T05:48:53Z)
• Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture [0.0]
  本稿では,12誘導ECG分析のための自己教師型学習モデルECG-JEPAを紹介する。 隠れた潜在空間で予測することで、ECGデータのセマンティック表現を学習する。 ECG-JEPAは、ECG分類や特徴予測を含む様々な下流タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-11T06:30:48Z)
• Synthesis of standard 12-lead electrocardiograms using two dimensional generative adversarial network [0.0]
  提案モデルは,LVHが98%,LBBBが93%,ACUTMIが79%,正常が59%の合成標準ECG信号を生成することができる。 2D GANを使用して、実際のECGの多様なデータベースを人工的に増強するのに適した、標準の12リードのECGを生成することが可能である。
  論文  参考訳（メタデータ） (2021-06-02T00:59:04Z)
• 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。