論文の概要: Target Recoverability under Selective Labels: A Failure Mode in ECG-Based Acute Coronary Syndrome Prediction
- arxiv url: http://arxiv.org/abs/2611.11063v1
- Date: Sun, 08 Nov 2026 01:36:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:37.894318
- Title: Target Recoverability under Selective Labels: A Failure Mode in ECG-Based Acute Coronary Syndrome Prediction
- Title(参考訳): 選択的ラベル下での目標回復性:心電図による急性冠症候群予測における障害モード
- Abstract要約: 臨床医が選択した患者にのみ観察された診断から,医療機械学習モデルが学習できることが示唆された。
テスト決定は、モデルが見えない情報に基づいて行われるため、これらのケースは、検査された患者の間で予測可能であるように見える。
我々はこのメカニズムを定式化し、テストがより選択的あるいは検出不能なケースがより一般的になるにつれて悪化することを示すシミュレーションで示す。
- 参考スコア(独自算出の注目度): 43.278508429346516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical machine learning models often learn from diagnoses observed only in patients clinicians chose to test. The biases of such selective labels are well known, but less understood is what happens when a diagnosis includes cases the model's inputs cannot detect. Because testing decisions draw on information the model does not see, these cases can appear predictable among tested patients, producing relationships that fail, and can even reverse, among the untested. We formalize this mechanism and show in simulations that it worsens as testing becomes more selective or undetectable cases more common, while models trained only on detectable cases remain informative. We empirically study electrocardiogram (ECG)-based prediction of acute coronary syndrome (ACS), which is confirmed only by invasive testing and whose subtypes differ in how clearly they appear on the ECG. Three ECG foundation models fine-tuned on revascularization, our ACS proxy, performed well among catheterized patients (AUROC 0.740-0.770) but worse than chance for 30-day major adverse cardiovascular events among untested patients (AUROC 0.381-0.478). Models trained on ECG-visible subtypes retained discrimination (AUROC 0.680-0.709), whereas a model trained on unstable angina, which can occur without ECG changes, was inversely related to risk (AUROC 0.310). Under selective labels, effective learning therefore requires prediction targets that can be inferred from the model's inputs and evaluation in the intended deployment population, which often extends beyond the patients who were tested.
- Abstract(参考訳): 医療機械学習モデルは、検査を選んだ患者にのみ観察される診断から学ぶことが多い。
このような選択ラベルのバイアスはよく知られているが、診断がモデルの入力が検出できないケースを含む場合に起こることは理解されていない。
テスト決定は、モデルが見ることができない情報に基づいて行われるため、これらのケースは、テスト対象の患者の間で予測可能であり、テスト対象の患者の間で失敗し、さらに逆になる可能性がある。
我々はこのメカニズムを定式化し、テストがより選択的あるいは検出不能なケースがより一般的になるにつれて悪化することを示す一方で、検出可能なケースにのみトレーニングされたモデルは情報的のままである。
心電図(ECG)による急性冠症候群(ACS)の予測は,侵襲的検査でのみ確認され,心電図上においてサブタイプが異なることが確認された。
AUROC0.740-0.770(AUROC0.740-0.770)では再血管柄付き心電図ベースモデルが良好であったが,未検査例(AUROC0.381-0.478)では30日間の重症心血管障害発生の可能性が低かった(AUROC0.381-0.478)。
ECGを視認できるサブタイプで訓練されたモデルは差別を保ち(AUROC 0.680-0.709)、不安定なアンギナで訓練されたモデルはECGの変化なしに起こり得るが、リスクと逆の関連があった(AUROC 0.310)。
選択的なラベルの下では、効果的な学習にはモデルの入力から推測できる予測ターゲットが必要である。
関連論文リスト
- Seeing Beyond the Lesion: Disease Recognition from Reactive CNS Tissue [1.2182821723492487]
我々は4つの病理基盤モデルを、共有注意に基づく学習フレームワーク内の凍結パッチエンコーダとしてベンチマークする。
まず,スライドサイズだけで粗い疾患カテゴリー予測が再現可能であることを示す。
驚くべきことに、パフォーマンスはすべての基礎モデルエンコーダ間で統計的に区別できない。
論文 参考訳(メタデータ) (2026-09-02T10:02:43Z) - Cross-Modal Contrastive Learning of ECG and Angiography Representations for Severe Stenosis Classification [79.18126160626093]
冠動脈狭窄は一般的な心血管疾患であり、重症で未治療の症例は心臓発作の重大なリスクを訴える。
プレトレーニングフレームワークであるStenCEを導入し,心電図から直接抽出した特徴に基づいて患者の階層化を可能にする。
得られたモデルは心電図における狭窄診断のための信号の検出に成功し,重症狭窄分類において初めて高い性能を達成した。
論文 参考訳(メタデータ) (2026-05-23T14:50:22Z) - Manifold Learning for Personalized and Label-Free Detection of Cardiac Arrhythmias [0.9208007322096533]
我々は, 非線形次元減少 (NLDR) は心電図信号の医学的特徴に適応できることを示した。
MIT-BIHデータセットのMLIIおよびV1リードを用いて、NLDRが心臓モニタリングに大いに期待できることを実証した。
論文 参考訳(メタデータ) (2025-06-19T17:39:57Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳(メタデータ) (2023-06-29T23:36:04Z) - Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。
また、TNCD: Thyroid Nodule Classification データセットも提供します。
論文 参考訳(メタデータ) (2022-07-02T11:50:02Z) - Identifying Ventricular Arrhythmias and Their Predictors by Applying
Machine Learning Methods to Electronic Health Records in Patients With
Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model) [0.3811495093928132]
心室性不整脈(VAr)を有する肥大型心筋症患者を臨床的属性を用いて同定するための機械学習の最初の応用である。
臨床的変数は93例, VArは22例であった。
提案手法では,確立した10個のSCD予測器に加えて,12個の新しいVAr予測器を同定した。
論文 参考訳(メタデータ) (2021-09-19T20:11:07Z) - Estimation of atrial fibrillation from lead-I ECGs: Comparison with
cardiologists and machine learning model (CurAlive), a clinical validation
study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。
本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文 参考訳(メタデータ) (2021-04-15T12:50:16Z) - Personalized pathology test for Cardio-vascular disease: Approximate
Bayesian computation with discriminative summary statistics learning [48.7576911714538]
近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。
この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
論文 参考訳(メタデータ) (2020-10-13T15:20:21Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z)
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。