論文の概要: Are foundation models useful feature extractors for electroencephalography analysis?

• arxiv url: http://arxiv.org/abs/2502.21086v1
• Date: Fri, 28 Feb 2025 14:21:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 16:38:45.950541
• Title: Are foundation models useful feature extractors for electroencephalography analysis?
• Title（参考訳）: 基礎モデルは脳波解析に有用か?
• Authors: Özgün Turgut, Felix S. Bott, Markus Ploner, Daniel Rueckert,
• Abstract要約: 脳波を用いた医療時系列分析における基礎モデルの有効性について検討する。 分析の結果,基礎モデルは意味のある脳波の特徴を抽出し,ドメイン適応を伴わずとも特化モデルに優れ,タスク固有のバイオマーカーをローカライズすることがわかった。
• 参考スコア（独自算出の注目度）: 9.413178499853156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The success of foundation models in natural language processing and computer vision has motivated similar approaches for general time series analysis. While these models are effective for a variety of tasks, their applicability in medical domains with limited data remains largely unexplored. To address this, we investigate the effectiveness of foundation models in medical time series analysis involving electroencephalography (EEG). Through extensive experiments on tasks such as age prediction, seizure detection, and the classification of clinically relevant EEG events, we compare their diagnostic accuracy with that of specialised EEG models. Our analysis shows that foundation models extract meaningful EEG features, outperform specialised models even without domain adaptation, and localise task-specific biomarkers. Moreover, we demonstrate that diagnostic accuracy is substantially influenced by architectural choices such as context length. Overall, our study reveals that foundation models with general time series understanding eliminate the dependency on large domain-specific datasets, making them valuable tools for clinical practice.
• Abstract（参考訳）: 自然言語処理とコンピュータビジョンにおける基礎モデルの成功は、一般的な時系列解析に類似したアプローチを動機付けている。 これらのモデルは様々なタスクに有効であるが、限られたデータを持つ医療領域における適用性はほとんど解明されていない。 本研究の目的は,脳波を用いた医療時系列分析における基礎モデルの有効性を検討することである。 年齢予測,発作検出,臨床関連脳波イベントの分類などのタスクに関する広範な実験を通じて,その診断精度を専門の脳波モデルと比較した。 分析の結果,基礎モデルは意味のある脳波の特徴を抽出し,ドメイン適応を伴わずとも特化モデルに優れ,タスク固有のバイオマーカーをローカライズすることがわかった。 さらに,診断精度は文脈長などのアーキテクチャ的選択に大きく影響されていることを示す。 総じて, 一般時系列理解に基づく基礎モデルは, 大規模領域固有のデータセットへの依存を排除し, 臨床実践に有用なツールであることを明らかにした。

関連論文リスト

• Investigating Zero-Shot Diagnostic Pathology in Vision-Language Models with Efficient Prompt Design [7.509731425152396]
  病理組織学における視覚言語モデル(VLM)の3つの状態の体系的調査と解析を行った。 我々は、ドメインの特異性、解剖学的精度、命令フレーミング、出力制約を体系的に変化させる包括的なプロンプトエンジニアリングフレームワークを開発する。 以上の結果から,正確な解剖学的基準が得られた場合,CONCHモデルが最も精度が高いため,迅速な工学がモデル性能に大きく影響することが示唆された。
  論文  参考訳（メタデータ） (2025-04-30T19:01:06Z)
• The use of Multi-domain Electroencephalogram Representations in the building of Models based on Convolutional and Recurrent Neural Networks for Epilepsy Detection [1.4785447770765987]
  てんかんは世界中で約5000万人に影響を与えており、治療は依然として困難である。 EEGデータは専門家間でのばらつきの傾向があり、自動化されたソリューションの必要性を強調している。 この研究は、時間、周波数、時間周波数領域でEEGデータに基づいてトレーニングされたディープニューラルネットワークを体系的に比較する。 その結果、周波数領域データは97%を超える検出基準を達成し、より正確で信頼性の高い発作検出システムのための堅牢な基盤を提供することが示された。
  論文  参考訳（メタデータ） (2025-04-24T19:50:48Z)
• Evaluating Vision Language Models (VLMs) for Radiology: A Comprehensive Analysis [4.803310914375717]
  本研究では,3つの視覚言語基盤モデル(RAD-DINO,CheXagent,BiomedCLIP)を,放射線学タスクの微細な画像特徴を捉える能力について評価した。 胸部X線写真上, 気胸, 心肥大に対する分類, セグメンテーション, 回帰作業で評価した。
  論文  参考訳（メタデータ） (2025-04-22T17:20:34Z)
• Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography [0.0]
  本研究は,胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチの包括的評価である。 新型コロナウイルス、肺不透明症、ウイルス性肺炎に焦点が当てられている。 臨床実習におけるAI駆動診断ツールの統合について報告する。
  論文  参考訳（メタデータ） (2025-04-16T16:54:37Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
  アーキテクチャとフレームワークのバイアスがモデルのパフォーマンスにどのように影響するかを示します。 実験では、プリプロセッシングと実装の選択に基づいて、最大20%の性能変化を示す。 我々は,現在の深層計算法と医療要件の相違点を同定する。
  論文  参考訳（メタデータ） (2024-07-11T12:33:28Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Exploration of the Rashomon Set Assists Trustworthy Explanations for Medical Data [4.499833362998488]
  本稿では,Rashomon集合におけるモデル探索の新たなプロセスを紹介し,従来のモデリング手法を拡張した。 動作の異なるモデルを検出するために,$textttRashomon_DETECT$アルゴリズムを提案する。 モデル間の変動効果の差を定量化するために,機能的データ解析に基づくプロファイル分散指数(PDI)を導入する。
  論文  参考訳（メタデータ） (2023-08-22T13:53:43Z)
• Ensembling Handcrafted Features with Deep Features: An Analytical Study for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
  我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。 以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
  論文  参考訳（メタデータ） (2022-02-22T06:48:50Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。