arXiv:2607.07683v2 cs.LG

ECGLight: 종이 심전도 디지털화 및 심근경색 선별을 위한 경량 연산 프레임워크

ECGLight: Compute-Light Framework For Paper ECG Digitization and Myocardial Infarction Screening

Shreyasvi Natraj, Cyrus Achtari, Felice Gragnano, Andrea Milzi, Marco Valgimigli, Diego Paez-Granados

제출 2026-07-08

한국어 초록

심전도(ECG)는 심혈관 질환을 진단하는 데 가장 널리 사용되는 검사 중 하나이다. 그러나 많은 외곽 지역 진료소에서는 제한된 네트워크 연결성과 연산 능력으로 인해 여전히 분석에 종이 심전도 출력물을 활용하고 있다. 그 결과 외곽 지역에서 획득한 방대한 양의 물리적 심전도는 높은 연산 자원이나 안정적인 초고속 인터넷 연결을 요구하는 최신 인공지능(AI) 기반 의사결정 지원의 혜택을 받지 못하고 있다. 이는 급성 관상동맥 폐색(ACS)과 같은 질환을 간과하고 재관류 치료를 지연시키는 여러 사례를 초래한다. 선행 연구들이 디지털화와 진단을 분리하여 다루고 이를 위해 고도화된 AI 모델을 활용해 왔지만, 높은 충실도로 종이 심전도를 복원하면서 임상적으로 유의미한 여러 평가지표를 정확하게 지원하는 온디바이스(on-device) 경량 연산 프레임워크는 여전히 부족하다. 본 연구에서는 종이 심전도의 스마트폰 사진이나 스캔본을 보정된 12유도 신호로 변환하고 심근경색(MI) 병변을 선별하며, 해석 가능성을 지원하기 위해 SHapley Additive exPlanations(SHAP)을 결합한 엔드투엔드 경량 온디바이스 디지털화-진단 파이프라인을 통해 이러한 문제를 해결한다. PTB-XL 데이터셋의 21,799개 심전도로 학습(training) 및 평가(evaluation)하고 병원에서 수집한 ECG-Matrix 데이터셋에서 추가 검증을 거친 이 전체 시스템은 CPU 전용 자원에서 심전도당 30초 미만으로 구동되며, PTB-XL에서 심근경색 탐지 정확도 95.51%(F1 = 0.9519), ECG-Matrix에서 폐색성 심근경색(OMI) 탐지 정확도 88.89%(F1 = 0.8862)를 달성한다. 본 연구는 디지털 심전도 추출, 네트워크 연결, 고성능 연산 자원을 사용할 수 없는 환경에서도 레거시 종이 기록을 전 세계 어디서나 안정적으로 보급하여 확장 가능한 의사결정 지원을 제공할 수 있음을 보여준다. Github: https://github.com/nshreyasvi/ECGLight

원문 초록

Electrocardiography (ECG) is one of the most widely used tests for diagnosing cardiovascular disease. Yet several remote clinics still utilize paper ECG printouts for their analysis due to limited connectivity and computational capacity. As a result, vast numbers of physical ECGs obtained in remote areas still remain incapable of being accessed by contemporary artificial-intelligence (AI)-based decision support as they require high computational resources or strong high-speed internet connectivity. This causes several cases where conditions like acute coronary occlusion (ACS) is overlooked and reperfusion therapy delayed. Although prior work has tackled digitization and diagnosis separately, and utilized advanced AI models for them, there still remains a lack of a compute-light, on-device framework that reconstructs paper ECGs at high fidelity, while accurately supporting multiple clinically relevant endpoints. We address this need with an end-to-end lightweight on-device digitization-to-diagnosis pipeline that converts a smartphone photo or scan of a paper ECG into a calibrated 12-lead signal and screens for Myocardial Infarction (MI) pathologies, with SHapley Additive exPlanations (SHAP) to support interpretability. Trained and evaluated on 21,799 ECGs from the PTB-XL dataset and further validated on hospital-acquired ECG-Matrix dataset, the complete system runs in <30 s per ECG on CPU-only resources, achieving 95.51% accuracy (F1 = 0.9519) for MI detection on PTB-XL and 88.89% accuracy (F1 = 0.8862) for OMI detection on ECG-Matrix. This work showcases that legacy paper records can be reliably democratized in any part of the world, providing a scalable decision support when digital ECG export, connectivity, or high-end compute are unavailable. Github: https://github.com/nshreyasvi/ECGLight

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2607.07683v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.02269v1eess.IV공통 태그 Medical Image Analysis, Edge-computing

의료 영상을 위한 변분 위험 최소화 기반 신뢰도 게이팅 클라우드-엣지 캐스케이드 분류

Confidence-Gated Cloud-Edge Cascade Triage via Variational Risk Minimization for Medical Imaging

응급 흉부 X선(CXR) 중증도 분류(triage)에는 구조적인 모달리티 격차가 존재합니다. 즉 판독문은 분류 결정 이후에 도착하지만, 멀티모달 파운데이션 모델은 영상-텍스트 입력을 모두 필요로 합니다. 본 논문에서는 대규모 비전-언어 모델(LVLM)이 생성한 판독문 변형들을 잠재적 임상 해석의 몬테카를로(Monte Carlo) 샘플로 취급하는 지식 증류(distillation) 프레임워크인 변분 위험 최소화(Variational Risk Minimization, VRM)를 제안합니다. 단일 교사 모델의 타깃으로부터 증류하는 대신, VRM은 변분적으로 한계화된(variationally marginalized) 교사 분포로부터 학습하여 모달리티 누락 제약 조건 하에서도 불확실성을 인식하는 감독(uncertainty-aware supervision)을 가능하게 합니다. 동일한 인코더 패밀리 조건에서, VRM은 직접적인 미세조정 베이스라인보다 우수한 성능을 보이며 환각(hallucination) 감독으로부터 강력한 복원력을 보여 캘리브레이션을 개선합니다. 한계화된 감독은 판독문 선택의 불안정성을 완화합니다. 소형 엣지-학생 모델 구현에서, 신뢰도 게이팅 캐스케이드는 20.3%의 클라우드 이관율과 평균 103ms의 지연 시간으로 AUC 0.941을 달성하여, 클라우드-엣지 임상 워크플로우를 위한 명시적인 신뢰성-지연 시간 운용점을 제공합니다.

arXiv:2609.28262v1cs.CV공통 태그 CPU, Edge-computing

RAMP: 엣지 CPU 비전 모델을 위한 강건한 적응형 혼합 정밀도 양자화

RAMP: Robust Adaptive Mixed-Precision Quantization for Edge CPU Vision Models

엣지 CPU에 심층 학습 모델을 배포할 때는 계산 및 메모리 제약이 병목이 된다. 혼합 정밀도 양자화는 정확도를 유지하면서 추론 지연을 줄일 수 있다고 기대된다. 그러나 양자화는 층 유형마다 서로 다르게 영향을 미치므로, 정확도 손실이 최소화되고 지연 감소가 최대화되는 위치를 찾는 것이 중요하며, 그 효과는 전체 배포에 걸쳐 누적되어 상당한 이득 또는 허용 불가능한 과제 성능 저하로 이어진다. 이러한 식별은 민감도 지표, 즉 모든 후보 정책의 과제 정확도를 평가하지 않고 층별 열화를 추정하는 대리 지표에 의존한다. 그럼에도 널리 쓰이는 지표는 최신 아키텍처에서 체계적으로 실패한다. 우리는 서로 뚜렷이 다른 네 개의 신경망에 걸친 층별 INT8 양자화에 대한 13개 민감도 지표의 체계적 실증 연구를 제시하고, 그로부터 얻은 정책을 두 ARM64 플랫폼에서 검증한다. 그래디언트 기반 민감도 방법은 8개 모델-하드웨어 구성 중 4개에서 실패하고, 가중치 기반 통계는 2개에서 실패한다. 반면 Jensen-Shannon Divergence는 치명적 실패가 전혀 없으며, 안전하게 양자화할 수 없는 층을 안정적으로 분리한다. 민감도 지표만으로는 정책이 정의되지 않으며, 그 단계에 흔히 쓰이는 고정 임계값은 최신 아키텍처의 고도로 치우친 분포에서 취약하다. 우리는 K-Means 클러스터링으로 이를 해결하여 거의 무손실 정확도와 전체 정밀도 모델 대비 평균 $1.81\times$ 속도 향상을 달성한다. 마지막으로, 민감도와 관계없이 속도 향상이 미미한 층을 양자화에서 제외하는 것이 역효과를 낼 수 있음을 밝힌다. 이는 계산 그래프 단편화를 유발하고 연산자 융합(operator fusion)을 비활성화하기 때문이다. 우리 결과는 GPU 접근이나 그래디언트 계산 없이 이질적 엣지 CPU에 양자화된 비전 모델을 배포하는 실무자와 연구자에게 구체적인 할당 정책을 제공한다.

arXiv:2609.24274v1cs.RO공통 태그 CPU, Edge-computing

vla.simd: 언어 조건부 조작을 위한 효율적인 CPU 추론

vla.simd: Efficient CPU Inference for Language-Conditioned Manipulation

전용 GPU 없이 언어 조건부 조작을 배포하려면 효율적인 추론과 정책 쿼리 간 지연을 메워주는 액션 청크(action chunk)가 필요합니다. 본 논문에서는 공유 SIMD 마이크로 커널, 재사용 가능한 연산, 타깃 맞춤형 최적화를 결합한 CPU 추론 엔진인 vla.simd를 소개합니다. 지연(lagged) 및 시간 정렬(time-aligned) 실행 환경에서 쿼리 지연 시간과 실행 구간(execution horizon)을 액션 가용성과 연계하여 액션 공급과 피드백 빈도를 구분합니다. 6개 정책과 4개 CPU 전반에서, vla.simd는 fp32 수치적 충실도를 유지하면서 컴파일된 PyTorch 레퍼런스 대비 중앙값 기준 약 1.4배의 속도 향상을 달성합니다. 또한 캐시된 텍스트 표현과 언어 변조된 시각적 특징을 활용하는 ACT 기반 정책인 IMPACT를 소개합니다. IMPACT는 평가된 세트 중 라즈베리 파이 5(Raspberry Pi 5)에서 최소 30 actions/s를 공급하는 유일한 언어 조건부 정책으로, 90초간 열 포화(thermal soak) 후 fp32에서 33.5 actions/s, int8에서 81.2 actions/s를 공급합니다. 별도의 GPU 평가에서는 로봇 사전학습 없이 4개의 LIBERO 제품군 전반에서 76.4%의 평균 성공률을 기록했으며, 인스트럭션 셔플링(instruction-shuffling) 테스트를 통해 익숙한 목표 중 선택이 가능함을 보였습니다. SO-101 로봇 팔을 활용한 IMPACT 실험 및 Robotiq 그리퍼가 장착된 UR10e 환경에서의 SmolVLA 실험을 통해 두 가지 로봇 임바디먼트(embodiment)에서의 CPU 배포를 입증합니다.

arXiv:2607.21075v1cs.SD공통 태그 CPU, Edge-computing

VibeVoice-ASR-BitNet 기술 보고서

VibeVoice-ASR-BitNet Technical Report

본 논문은 엣지 CPU에서 실시간 추론을 위해 최적화된 VibeVoice-ASR의 압축 변형인 VibeVoice-ASR-BitNet을 제시한다. 각 단계의 계산 특성에 맞춘 이종(heterogeneous) 양자화를 적용한다. VAE 음향 tokenizer는 커널 퓨전과 SIMD 최적화를 포함한 전체 파이프라인 INT8 양자화(I8_S)를 사용하고, 자기회귀(autoregressive) 언어 모델은 BitNet 스타일의 삼진(ternary) 가중치(I2_S)를 채택한다. 공격적인 압축 하에서도 정확도를 유지하기 위해 점진적 양자화 인식 학습(quantization-aware training) 전략을 사용한다. 추론을 위해 ARM과 x86 플랫폼 모두를 대상으로 ggml 프레임워크 내에서 커스텀 SIMD 커널과 퓨전 연산자를 구현하여, CPU 스레드 3개만으로도 RTF < 1의 실시간 인식을 달성한다. VibeVoice-ASR-BitNet은 유사한 모델 크기(~1.6 GB)에서 Whisper.cpp보다 1.6-2.3배 빠르며, FP16 기준선 대비 정확도 저하는 미미하다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.