| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2026-03-16 13:25 深層学習モデルのファインチューニングを用いた肥大型心筋症患者の不整脈リスク評価 ○赤田 翔（岡山大）・原 翔平・中村一文・湯浅慎介（岡山大病院）・右田剛史・高橋規一（岡山大）  NC2025-95 |
|
| 抄録 | （和） | 深層学習モデルを用いて肥大型心筋症(Hypertrophic Cardiomyopathy: HCM)患者の心電図から将来の重篤な不整脈リスクを予測する課題に対し，交差検証に基づくアンサンブル学習と転移学習を組み合わせた手法を提案する．提案手法では，HCM患者の心電図データから交差検証に基づく方法を用いて5種類のデータセットを作成し，それらの学習によって5個のモデルを構築する．推論時には，5個のモデルの出力の平均値を最終的な予測とする．また，大規模心電図データセットで事前学習されたモデルを初期モデルとして用い，汎用的特徴の抽出を担う低レイヤの表現を保持しつつ，HCM患者の心電図データを用いて高レイヤのパラメータ値を調整する．その結果，限られた症例数でもHCM患者に特有な心電図の特徴を効率的に学習できるとともに，一から学習したモデルと比較して予測性能および学習安定性が向上することを示す． |
| （英） | We propose a deep learning method that makes use of ensemble learning based on cross-validation and transfer learning to address the task of predicting the future risk of life-threatening ventricular arrhythmias in patients with hypertrophic cardiomyopathy (HCM) from their electrocardiograms (ECGs). In the proposed method, the ECG data of patients with HCM are divided into five subsets using the idea of cross validation to generate five datasets, from which five separate models are trained. During inference, the final prediction is obtained by averaging the outputs of these five models. Furthermore, a model pretrained on a large-scale ECG dataset is employed as the initial model. While preserving the low-level representations responsible for extracting general features, the high-level parameters are fine-tuned using ECG data from patients with HCM. The results demonstrate that the proposed method enables efficient learning of ECG characteristics specific to HCM even with a limited number of cases, and achieves improved predictive performance and training stability compared with models trained from scratch. | |
| キーワード | （和） | 深層学習 / 心電図 / 交差検証 / アンサンブル学習 / 転移学習 / ファインチューニング / / |
| （英） | deep learning / electrocardiogram / cross-validation / ensemble learning / transfer learning / fine-tuning / / | |
| 文献情報 | 信学技報, vol. 125, no. 413, NC2025-95, pp. 24-29, 2026年3月. | |
| 資料番号 | NC2025-95 | |
| 発行日 | 2026-03-09 (NC) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NC2025-95 |
|
| 研究会情報 | |
| 研究会 | NC MBE |
| 開催期間 | 2026-03-16 - 2026-03-18 |
| 開催地（和） | 東京大学 |
| 開催地（英） | The University of Tokyo |
| テーマ（和） | 一般（NC, ME） |
| テーマ（英） | General |
| 講演論文情報の詳細 | |
| 申込み研究会 | NC |
| 会議コード | 2026-03-NC-MBE |
| 本文の言語 | 日本語 |
| タイトル（和） | 深層学習モデルのファインチューニングを用いた肥大型心筋症患者の不整脈リスク評価 |
| サブタイトル（和） | |
| タイトル（英） | Arrhythmia Risk Assessment in Patients with Hypertrophic Cardiomyopathy Using Fine-Tuning of Deep Learning Models |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 深層学習 / deep learning |
| キーワード(2)（和/英） | 心電図 / electrocardiogram |
| キーワード(3)（和/英） | 交差検証 / cross-validation |
| キーワード(4)（和/英） | アンサンブル学習 / ensemble learning |
| キーワード(5)（和/英） | 転移学習 / transfer learning |
| キーワード(6)（和/英） | ファインチューニング / fine-tuning |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 赤田 翔 / Sho Akada / アカダ ショウ |
| 第1著者 所属（和/英） | 岡山大学 (略称： 岡山大) Okayama University (略称： Okayama Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 原 翔平 / Shohei Hara / ハラ ショウヘイ |
| 第2著者 所属（和/英） | 岡山大学病院 (略称： 岡山大病院) Okayama University Hospital (略称： Okayama Univ. Hospital) |
| 第3著者 氏名（和/英/ヨミ） | 中村 一文 / Kazufumi Nakamura / ナカムラ カズフミ |
| 第3著者 所属（和/英） | 岡山大学病院 (略称： 岡山大病院) Okayama University Hospital (略称： Okayama Univ. Hospital) |
| 第4著者 氏名（和/英/ヨミ） | 湯浅 慎介 / Shinsuke Yuasa / ユアサ シンスケ |
| 第4著者 所属（和/英） | 岡山大学病院 (略称： 岡山大病院) Okayama University Hospital (略称： Okayama Univ. Hospital) |
| 第5著者 氏名（和/英/ヨミ） | 右田 剛史 / Tsuyoshi Migita / ミギタ ツヨシ |
| 第5著者 所属（和/英） | 岡山大学 (略称： 岡山大) Okayama University (略称： Okayama Univ.) |
| 第6著者 氏名（和/英/ヨミ） | 高橋 規一 / Norikazu Takahashi / タカハシ ノリカズ |
| 第6著者 所属（和/英） | 岡山大学 (略称： 岡山大) Okayama University (略称： Okayama Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-03-16 13:25:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NC |
| 資料番号 | NC2025-95 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.413 |
| ページ範囲 | pp.24-29 |
| ページ数 | 6 |
| 発行日 | 2026-03-09 (NC) |
[研究会発表申込システムのトップページに戻る]