論文の概要: M-TabNet: A Multi-Encoder Transformer Model for Predicting Neonatal Birth Weight from Multimodal Data

• arxiv url: http://arxiv.org/abs/2504.15312v1
• Date: Sun, 20 Apr 2025 00:03:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-01 02:16:23.696953
• Title: M-TabNet: A Multi-Encoder Transformer Model for Predicting Neonatal Birth Weight from Multimodal Data
• Title（参考訳）: M-TabNet:マルチモーダルデータから新生児出生体重を予測するマルチエンコーダトランスフォーマモデル
• Authors: Muhammad Mursil, Hatem A. Rashwan, Luis Santos-Calderon, Pere Cavalle-Busquets, Michelle M. Murphy, Domenec Puig,
• Abstract要約: 出生体重(BW)は新生児の健康にとって重要な指標であり、低出生体重(LBW)は死亡率と死亡率の増加と関連している。 既存のモデルでは栄養学や遺伝学の影響を無視することが多く、主に生理学やライフスタイルに重点を置いている。 本研究は,12週間の妊娠後早期のBW予測のためのマルチエンコーダアーキテクチャを用いたアテンションベーストランスフォーマーモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.452389713639621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Birth weight (BW) is a key indicator of neonatal health, with low birth weight (LBW) linked to increased mortality and morbidity. Early prediction of BW enables timely interventions; however, current methods like ultrasonography have limitations, including reduced accuracy before 20 weeks and operator dependent variability. Existing models often neglect nutritional and genetic influences, focusing mainly on physiological and lifestyle factors. This study presents an attention-based transformer model with a multi-encoder architecture for early (less than 12 weeks of gestation) BW prediction. Our model effectively integrates diverse maternal data such as physiological, lifestyle, nutritional, and genetic, addressing limitations seen in prior attention-based models such as TabNet. The model achieves a Mean Absolute Error (MAE) of 122 grams and an R-squared value of 0.94, demonstrating high predictive accuracy and interoperability with our in-house private dataset. Independent validation confirms generalizability (MAE: 105 grams, R-squared: 0.95) with the IEEE children dataset. To enhance clinical utility, predicted BW is classified into low and normal categories, achieving a sensitivity of 97.55% and a specificity of 94.48%, facilitating early risk stratification. Model interpretability is reinforced through feature importance and SHAP analyses, highlighting significant influences of maternal age, tobacco exposure, and vitamin B12 status, with genetic factors playing a secondary role. Our results emphasize the potential of advanced deep-learning models to improve early BW prediction, offering clinicians a robust, interpretable, and personalized tool for identifying pregnancies at risk and optimizing neonatal outcomes.
• Abstract（参考訳）: 出生体重(BW)は新生児の健康にとって重要な指標であり、低出生体重(LBW)は死亡率と死亡率の増加と関連している。 BWの早期予測は、タイムリーな介入を可能にするが、超音波検査のような現在の手法には、20週間前の精度の低下や、オペレータ依存の変動など、制限がある。 既存のモデルでは栄養学や遺伝学の影響を無視することが多く、主に生理学やライフスタイルに重点を置いている。 本研究は,12週間の妊娠後早期のBW予測のためのマルチエンコーダアーキテクチャを用いたアテンションベーストランスフォーマーモデルを提案する。 本モデルは,TabNetなどの先行注目モデルに見られる限界に対処するため,生理学,ライフスタイル,栄養学,遺伝学などの多様な母体データを効果的に統合する。 このモデルは122グラムの平均絶対誤差(MAE)と0.94のR二乗値を実現し、高い予測精度と社内のプライベートデータセットとの相互運用性を示す。 独立検証は、IEEEの子供データセットで一般化可能性(MAE: 105 grams, R-squared: 0.95)を確認する。 臨床的有用性を高めるため、予測されたBWは、97.55%の感度と94.48%の特異性を達成し、早期のリスク階層化を促進する。 モデル解釈性は特徴的重要性とSHAP分析によって強化され、遺伝的要因が二次的な役割を担っているため、母体年齢、タバコ曝露、ビタミンB12状態の著しい影響が強調される。 以上の結果から,先進的な深層学習モデルが早期のBW予測を改善する可能性を強調し,臨床医にリスクのある妊娠を識別し,新生児の予後を最適化するための堅牢で解釈可能な,パーソナライズされたツールを提供することが示唆された。

関連論文リスト

• Machine Learning Meets Transparency in Osteoporosis Risk Assessment: A Comparative Study of ML and Explainability Analysis [0.0]
  本研究は,機械学習(ML)による骨粗しょう症のリスク予測の難しさに対処するものである。 XGBoostは評価モデルの中で最大の精度(91%)で、他のモデルの精度(0.92)、リコール(0.91)、F1スコア(0.90)を上回った。 本研究は, 加齢が骨粗しょう症のリスク予測の主要な要因であり, ホルモン変動と家族歴が続くことを示唆している。
  論文  参考訳（メタデータ） (2025-05-01T09:05:02Z)
• Predicting Fetal Birthweight from High Dimensional Data using Advanced Machine Learning [1.489994236178479]
  出生体重は新生児の健康の基本的な指標であり、医療介入や長期の発達リスクと密接に関連している。 伝統的な予測モデルは、しばしば限られた特徴選択と不完全なデータセットによって制約され、複雑な母体と胎児の相互作用を見渡すのに苦労する。 本研究は,先進的な計算戦略を統合した構造化手法を用いて,これらの制約に対処するための機械学習について検討する。
  論文  参考訳（メタデータ） (2025-02-20T05:17:39Z)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• An Improved Model Ensembled of Different Hyper-parameter Tuned Machine Learning Algorithms for Fetal Health Prediction [1.332560004325655]
  本研究では,胎児の健康状態を予測するために,Support Vector MachineとExtraTreesのアンサンブルと呼ばれる頑健なアンサンブルモデルを提案する。 提案したETSEモデルは、100%精度、100%リコール、100%F1スコア、99.66%精度で他のモデルより優れていた。
  論文  参考訳（メタデータ） (2023-05-26T16:40:44Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model [0.0]
  我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。 我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
  論文  参考訳（メタデータ） (2022-11-16T11:15:23Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。