人口統計を考慮した自己教師付き異常検知の事前学習による公正な希少心疾患診断
arXiv cs.CV / 2026/3/23
💬 オピニオンSignals & Early TrendsModels & Research
要点
- 本論文は、多様な集団に対する公正性を確保しつつ希少な心疾患異常の検出を改善する人口統計学的配慮を組み込んだ心電図（ECG）用の自己教師付き異常検知フレームワークを提案する。
- 第一段階では、自己教師付きの事前学習によりマスクされたECG信号を再構成し、信号の傾向をモデル化し、患者属性を予測して、診断ラベルを用いずに堅牢な表現を学習する。
- 第二段階では、長尾の異常を扱うため非対称損失を用いた多ラベルECG分類へモデルを微調整し、さらにCPUベースのデプロイメント最適化により局所化のための異常スコアマップを提供する。
- 100万を超えるECGのコホートで評価した結果、希少な異常に対するAUROCが94.7%、一般的なケースと希少ケースの性能格差を73%低減し、年齢層および性別グループ間で一貫した精度を示した。
