要旨: 心電図（ECG）は、最も広く利用可能な臨床信号の1つであり、心血管診断において中心的な役割を担っています。最近の基盤モデル（FM）は、転移可能なECG表現の学習に有望であることを示していますが、既存のほとんどの事前学習手法では導出（リード）を独立したチャネルとして扱い、その強い構造的冗長性を明示的に活用できていません。私たちは、自己教師ありの事前学習中にリード間の接続メカニズムを学習することで、この構造を直接活用する潜在注意マスク自己符号化器（LAMAE）FMを提案します。提案手法は、潜在注意によってリード間の高次相互作用をモデル化し、順列不変な集約と、リード固有表現の適応的な重み付けを可能にします。Mimic-IV-ECGデータベースにおける実証的な証拠として、リード間接続を活用することが、構造的な監督として有効であり、表現の質と転移可能性を向上させることを示します。私たちの方法は、ICD-10コードの予測において強い性能を示し、独立リードのマスクモデリングやアラインメントベースのベースラインを上回ります。
マスクされた潜在アテンションによる心臓時系列のための基盤モデル
arXiv cs.AI / 2026/3/30
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、心電（ECG）時系列のための基盤モデル LAMAE を提案し、リードを独立したチャネルとして扱うのではなく、リード間の構造的冗長性を明示的に捉えるためにマスクされた潜在アテンションを用いる。
- 自己教師ありの事前学習において、LAMAE はリード間の接続メカニズムを学習し、順列不変な集約や、リード固有特徴の適応的重み付けを含む高次のリード間相互作用を支援する。
- MIMIC-IV-ECG データセットでの実験では、リード間の接続をモデル化することが一種の構造的教師信号となり、学習表現とその転移可能性が向上することを示す。
- 下流タスクにおいて、このモデルは ICD-10 コードの予測で高い性能を示し、独立リードに対するマスクモデリングやアラインメントベースのベースラインよりも優れている。
