LYNX-ECG：可审计的心电可见图神经网络方法
热点事件持续更新
LYNX-ECG：可审计的心电可见图神经网络方法
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Artur Xavier 等研究者发布 LYNX-ECG 论文，提出一种将每个心跳表示为带时间戳转折点的稀疏可见性图的图神经网络，用于心电图分类。 在 CODE-Test 数据集上，该方法 macro F1 达 0.889，超过包括 ECGFounder 在内的五个基线，图存储仅需逐样本图的约 14%。可审计性方面：在传导异常的正确预测中，超过 90% 以临床定义的波形区域为最强证据；去除逐搏变异后房颤预测消失，符合预期机制。
AI 根据报道生成 · 1 小时前更新
最新进展11月3日 13:00
LYNX-ECG：基于可见性图神经网络的可审计心电分类方法报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv cs.AILYNX-ECG：基于可见性图神经网络的可审计心电分类方法
研究者提出 LYNX-ECG，一种将每个心跳表示为带时间戳转折点的稀疏可见性图的图神经网络。在 CODE-Test 上其 macro F1 达 0.889，超过包括 ECGFounder 在内的五个基线，图存储仅需逐样本图的约 14%。通过删除临床定义的波形区域并改变心跳时序可审计预测：传导异常正确预测中超过 90% 以临床预期区域为最强证据，房颤预测在去除逐搏变异后消失。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。