論文の概要: A Cardiorespiratory Foundation Model Pretrained on Ten Physiological Signals for Perioperative and Critical Care
- arxiv url: http://arxiv.org/abs/2611.15004v1
- Date: Wed, 11 Nov 2026 04:02:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.006344
- Title: A Cardiorespiratory Foundation Model Pretrained on Ten Physiological Signals for Perioperative and Critical Care
- Title(参考訳): 周術期および重篤期における10の生理的信号に基づく心呼吸基礎モデル
- Abstract要約: 10個の呼吸波形にラベルのない1個のエンコーダであるCARMENを提示する。
CarMENは10秒から5分までの共記録信号の組み合わせを受け入れ、条件付け機構 LSCNorm は正規化が除去する絶対信号レベルを復元する。
- 参考スコア(独自算出の注目度): 8.278601202212963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Arterial, venous, pulmonary artery and intracranial pressures and ventilator waveforms guide decisions in operating rooms and intensive care units, yet foundation models for physiological waveforms have been built almost entirely on the electrocardiogram and photoplethysmogram. We present CARMEN, a single encoder pretrained without labels on ten cardiorespiratory waveforms (2.27 million modality-hours). CARMEN accepts any combination of co-recorded signals from 10 s to 5 min, and a conditioning mechanism, LSCNorm, restores the absolute signal level that normalization removes; without it, the AUROC for intraoperative hypotension fell from 0.894 to 0.780. Across 19 tasks from Korean and US cohorts, the frozen encoder outperformed supervised models on 12 of 15 and three foundation models, one general-purpose and two for biosignals, on 14 to 17 of 19, with none exceeding it on any task. Given the electrocardiogram or photoplethysmogram alone, it matched or exceeded signal-specific foundation models in most comparisons, and it retained its performance when channels were missing.
- Abstract(参考訳): 手術室,集中治療室において,動脈,静脈,肺動脈,頭蓋内圧,換気器の波形が誘導されるが,心電図および光胸腺図に基づいて生理的波形の基礎モデルがほぼ完全に構築されている。
CARMENは10個の循環呼吸波形 (227万モータリティ時間) にラベルなしで事前訓練された単一エンコーダである。
CARMENは10秒から5分までの共記録信号の組み合わせを受け入れ、条件付け機構であるLCCNormは正常化が除去する絶対信号レベルを復元する。
韓国と米国のコホートによる19件のタスクにおいて、凍結エンコーダーは15件中12件と3つの基礎モデル、19件中14件から17件のバイオシグナールの監督モデルを上回った。
心電図や光胸腺図のみを考えると、ほとんどの比較では信号固有の基礎モデルと一致または上回っており、チャネルが欠落した時点では性能が保たれた。
関連論文リスト
- Multimodal Generative AI Assists Comprehensive Echocardiographic Interpretation [61.37772505977565]
本稿では,包括的な心エコー解析を行う生成視覚言語モデルであるEchoChatを紹介する。
心臓科医の認知ワークフローをエミュレートすることで、EchoChatは膨大な医療知識と思考の連鎖的な推論メカニズムを統合する。
これは、33の心臓状態と所見の最も広い診断範囲をサポートする。
論文 参考訳(メタデータ) (2026-10-23T16:47:01Z) - Physics-Informed Deep Learning for False Ventricular Tachycardia Alarm Reduction in the ICU [44.313512671851306]
軽度心室頻拍(VT)アラームは集中治療単位のアラーム疲労の原因となる。
本稿では,1D SE-ResNetと ICU-realistic Data Augmentation を組み合わせたディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2026-09-08T16:33:07Z) - CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation [33.42512865785489]
心電図,PSG,PCGの1つの共有表現を共同で学習するための心臓基礎モデルであるCardioState-JEPAを紹介する。
このモデルは異種波形を共通のトークン空間にマッピングし、単一の共有トランスフォーマーエンコーダで処理し、マスクされた潜在心臓状態を予測することによって学習する。
我々のエンコーダは、平均PSG分類を8.2AUROCポイントで改善し、PCG法を18.8AUROCポイントで、ECG法を15.5AUROCポイントで改善した。
論文 参考訳(メタデータ) (2026-08-13T08:21:06Z) - 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) - 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) - 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) - CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint
Identification and Severity Quantification [45.86448200141968]
感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。
両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。
我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
論文 参考訳(メタデータ) (2020-06-02T08:05:06Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。