Core Concepts
心房細動の心臓内電位図(EGM)を言語モデルを用いて解釈し、心房細動の分類と信号補間を行う。
Abstract
本研究では、心房細動(AFib)の心臓内電位図(EGM)を言語モデルを用いて解釈する手法を提案している。EGMは心臓の局所的な電気活動を詳細に捉えることができる重要な指標であり、AFibの診断に有用である。
研究の主な内容は以下の通りである:
EGMを離散的な文字列表現に変換するトークン化手法を提案した。これにより、事前学習された言語モデルを活用できるようになる。
マスクド言語モデル(MLM)を用いて、EGMの補間と心房細動の分類を行った。MLMは入力系列の一部をマスクし、その部分を予測する学習を行う。
注意機構、勾配積分、counterfactual分析などの手法を用いて、モデルの解釈性を多角的に分析した。これにより、モデルの決定プロセスを詳細に理解できるようになった。
自作データセットと公開データセットの両方で評価を行い、提案手法の優れた性能と汎化性を示した。特に、公開データセットでは99.7%の高精度な心房細動分類を達成した。
以上のように、本研究は心臓内電位図の解釈に言語モデルを適用する先駆的な取り組みであり、心房細動の診断支援に貢献できると期待される。
Stats
心房細動患者の心臓内電位図は、正常患者に比べて不規則で速い心拍パターンを示す。
心臓内電位図は心臓の局所的な電気活動を詳細に捉えることができる。
本研究で使用したデータセットは、2人の患者(1人が正常、1人が心房細動)の計65回の心臓カテーテル検査から得られた184,080個の信号サンプルで構成される。
Quotes
"心房細動は世界で最も一般的な不整脈の1つで、過去30年間で6000万人以上に影響を及ぼしている。"
"心臓内電位図は心臓の局所的な電気活動を詳細に捉えることができるため、心房細動の解釈に最適なモダリティである。"