ECG-Adapt：多様な集団および記録条件下での頑健な心電図分類のための新しいフレームワーク

科学分野:

• 生物医学工学
• ヘルスケアにおける機械学習
• 心臓病学

背景:

• 心電図（ECG）信号は大きなばらつきを示し、頑健な心臓分類モデルの開発を困難にしています。
• ECGモデルは、異なる患者集団、デバイス、環境のために、あるデータセットでトレーニングされたものを別のデータセットに適用するとパフォーマンスが低下します。

研究 の 目的:

• ドメイン適応技術を用いた心電図分類モデルの頑健性と一般化能力の強化。
• 心電図データセット間のパフォーマンス低下を緩和し、診断精度と信頼性を向上させること。

主な方法:

• 心電図分類のための教師なしドメイン適応（UDA）技術の探求と進歩。
• クラスタリングを必要とせずに、クラス内およびドメイン間の特徴を整列させる統合アプローチであるECG-Adaptの導入。
• 偽ラベルへの識別子の過剰適合を防ぎ、モデルの頑健性を強化するために、弱い教師あり学習の組み込み。

主要な成果:

• ECG-Adaptは、心電図分類タスクにおいて実質的なパフォーマンス向上を示しました。
• このフレームワークは、単一誘導心電図の問題で平均F1スコアを8％、12誘導心電図の問題で7％向上させました。
• 異なるデータセットにわたるモデルのパフォーマンス低下の緩和が観察されました。

結論:

• ECG-Adaptは、既存の方法と比較して、心電図分類のための簡略化されたワークフローと改善された頑健性を提供します。
• このフレームワークは、多様な臨床現場で診断精度と信頼性を向上させ、実世界での展開に大きな可能性を示しています。
• このアプローチは、心電図信号のばらつきにおける主要な課題に対処し、心臓病学におけるより一般化可能なAIへの道を開きます。