心電図（ECG）財団モデルのドメイン適応型ファインチューニングによる多ラベル・構造的心疾患スクリーニング

arXiv cs.LG / 2026/4/28

📰 ニュースIdeas & Deep AnalysisModels & Research

原文を読む →

共有:

要点

この研究は、構造的心疾患（SHD）のスクリーニングにおける課題（費用・業務負荷・専門医不足）を背景に、EchoNext Mini-Modelベンチマークを用いて、エコーで確認されたデータから複数のSHDラベルをECG財団モデルで検出できるかを検証している。
工学的ECG特徴量＋勾配ブースティング、波形からのエンドツーエンド学習、ECG財団モデルからの転移など複数の学習手法を比較したうえで、ドメイン内の自己教師あり適応と選択的な教師ありファインチューニングを組み合わせる二段階戦略を提案している。
ドメイン適応したECG-FMが最良の総合性能を示し、ピークのマクロAUROCは0.8509、マクロAUPRCは0.4297に達したほか、パラメータ効率の高い運用点でもAUROC（0.8501）を維持しつつ、固定閾値マクロF1として最高値（0.3691）を達成している。
追加の共変量を用いたレイトフュージョンや、LoRA、別バックボーン、mixture-of-foundationsなどの代替案／拡張では、最良の単一バックボーン適応構成を上回れなかった。
総じて、ECGベースの症例抽出や心エコーのトリアージにおいては、ターゲット領域での自己教師あり適応と、事後の選択的な教師あり更新を組み合わせることが、検証した転移戦略の中で最も効果的であることを示唆している。