論文の概要: Generalised Label-free Artefact Cleaning for Real-time Medical Pulsatile Time Series

• arxiv url: http://arxiv.org/abs/2504.21209v1
• Date: Tue, 29 Apr 2025 22:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 23:07:40.063036
• Title: Generalised Label-free Artefact Cleaning for Real-time Medical Pulsatile Time Series
• Title（参考訳）: リアルタイム医療パルサタイルタイムシリーズのための一般ラベルフリーアーティファクトクリーニング
• Authors: Xuhang Chen, Ihsane Olakorede, Stefan Yu Bögli, Wenhao Xu, Erta Beqiri, Xuemeng Li, Chenyu Tang, Zeyu Gao, Shuo Gao, Ari Ercole, Peter Smielewski,
• Abstract要約: アーティファクトは、医療時系列の使用において臨床上の意思決定を損なう。 我々は,リアルタイムなアーティファクト検出のための一般化されたラベルフリーフレームワークGenCleanを紹介する。
• 参考スコア（独自算出の注目度）: 3.8195510803972454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artefacts compromise clinical decision-making in the use of medical time series. Pulsatile waveforms offer probabilities for accurate artefact detection, yet most approaches rely on supervised manners and overlook patient-level distribution shifts. To address these issues, we introduce a generalised label-free framework, GenClean, for real-time artefact cleaning and leverage an in-house dataset of 180,000 ten-second arterial blood pressure (ABP) samples for training. We first investigate patient-level generalisation, demonstrating robust performances under both intra- and inter-patient distribution shifts. We further validate its effectiveness through challenging cross-disease cohort experiments on the MIMIC-III database. Additionally, we extend our method to photoplethysmography (PPG), highlighting its applicability to diverse medical pulsatile signals. Finally, its integration into ICM+, a clinical research monitoring software, confirms the real-time feasibility of our framework, emphasising its practical utility in continuous physiological monitoring. This work provides a foundational step toward precision medicine in improving the reliability of high-resolution medical time series analysis
• Abstract（参考訳）: アーティファクトは、医療時系列の使用において臨床上の意思決定を損なう。 脈動波形は正確なアーチファクト検出の確率を提供するが、ほとんどのアプローチは監督された方法に依存し、患者レベルの分布シフトを見落としている。 これらの課題に対処するために, リアルタイムアーティファクトクリーニングのための汎用なラベルフリーフレームワークGenCleanを導入し, トレーニング用に180,000秒間動脈血圧(ABP)サンプルの社内データセットを活用する。 まず患者レベルの一般化について検討し,患者内分布と患者間分布の変化の両面で頑健なパフォーマンスを実証した。 さらに,MIMIC-IIIデータベース上でのクロス・ディスリーズ・コホート実験により,その有効性を検証した。 さらに,本手法を光胸腺造影(PPG)に拡張し,多彩な医用脈拍信号への適用性を強調した。 最後に、臨床研究監視ソフトウェアであるIMM+との統合により、我々のフレームワークのリアルタイム実現可能性を確認し、継続的な生理的モニタリングにおける実用性を強調した。 本研究は,高分解能医用時系列分析の信頼性向上のための精密医療への基礎的なステップを提供する。

関連論文リスト

• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG [0.08030359871216612]
  脳磁図(MEG)を用いたてんかん間葉状放電(IED)の非侵襲的検出 深層学習(DL)は臨床MEGの実践に革命をもたらす可能性がある。 我々は,2つの畳み込みニューラルネットワークと時間的(1次元時間軸)および空間的(2次元トポグラフィー)特徴を組み合わせた,強力で教師付きなDLアルゴリズムであるSTIEDを開発した。
  論文  参考訳（メタデータ） (2024-10-30T18:41:22Z)
• MedTsLLM: Leveraging LLMs for Multimodal Medical Time Series Analysis [6.30440420617113]
  MedTsLLMは、時系列データとリッチな文脈情報をテキスト形式で統合し、生理的信号を解析する汎用多モーダル大規模言語モデル(LLM)フレームワークである。 本研究は,連続時間における意味的セグメンテーション,境界検出,異常検出という,臨床的関連性のある3つのタスクを実行する。 我々のモデルは、深層学習モデル、他のLSM、および複数の医療領域における臨床方法など、最先端のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2024-08-14T18:57:05Z)
• TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction [19.084936647082632]
  マルチモーダルデータを用いて臨床試験期間を推定する機械学習に基づくTrialDuraを提案する。 バイオメディカルコンテキストに特化されたBio-BERT埋め込みにエンコードして,より深く,より関連するセマンティック理解を提供する。 提案モデルでは, 平均絶対誤差(MAE)が1.04年, 根平均二乗誤差(RMSE)が1.39年であった。
  論文  参考訳（メタデータ） (2024-04-20T02:12:59Z)
• Collaborative learning of common latent representations in routinely collected multivariate ICU physiological signals [0.0]
  本アルゴリズムは,Long Short-Term Memory (LSTM) ネットワークと協調フィルタリングの概念を統合し,患者間で共通する生理的状態を同定する。 脳損傷者における脳内高血圧(IH)検出のための実世界ICU臨床データを用いて,AUCが0.889,APが0.725であった。
  論文  参考訳（メタデータ） (2024-02-27T22:10:51Z)
• VAE-IF: Deep feature extraction with averaging for fully unsupervised artifact detection in routinely acquired ICU time-series [1.9665926763554147]
  本稿では,事前のラベル付けや信号固有知識を使わずに,微細分解能ICUデータ中のアーティファクトを検出するための,教師なしの手法を提案する。 本手法では,変分オートエンコーダ (VAE) と孤立林 (IF) をハイブリッドモデルに組み合わせて特徴を学習し,異常を同定する。 我々の教師なしアプローチは、完全に教師付きされた手法に匹敵する感度を達成し、外部データセットによく当てはまることを示す。
  論文  参考訳（メタデータ） (2023-12-10T18:03:40Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。