論文の概要: Patient-Aware Feature Alignment for Robust Lung Sound Classification:Cohesion-Separation and Global Alignment Losses

• arxiv url: http://arxiv.org/abs/2505.23834v1
• Date: Wed, 28 May 2025 10:56:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.550622
• Title: Patient-Aware Feature Alignment for Robust Lung Sound Classification:Cohesion-Separation and Global Alignment Losses
• Title（参考訳）: ロバストな肺音分類のための患者対応機能アライメント:Cohesion-Separationとグローバルアライメント損失
• Authors: Seung Gyu Jeong, Seong Eun Kim,
• Abstract要約: 患者結合分離損失(PCSL)とグローバル患者配向損失(GPAL)の2つの新たな損失を有する患者認識特徴配向フレームワークを提案する。 GPALは各患者の中心をグローバルな中心へと引きずり出し,特徴空間の断片化を防ぐ。 ICBHIデータセットでは,4クラスで64.84%,2クラスで72.08%のスコアが得られた。
• 参考スコア（独自算出の注目度）: 2.1024950052120417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung sound classification is vital for early diagnosis of respiratory diseases. However, biomedical signals often exhibit inter-patient variability even among patients with the same symptoms, requiring a learning approach that considers individual differences. We propose a Patient-Aware Feature Alignment (PAFA) framework with two novel losses, Patient Cohesion-Separation Loss (PCSL) and Global Patient Alignment Loss (GPAL). PCSL clusters features of the same patient while separating those from other patients to capture patient variability, whereas GPAL draws each patient's centroid toward a global center, preventing feature space fragmentation. Our method achieves outstanding results on the ICBHI dataset with a score of 64.84\% for four-class and 72.08\% for two-class classification. These findings highlight PAFA's ability to capture individualized patterns and demonstrate performance gains in distinct patient clusters, offering broader applications for patient-centered healthcare.
• Abstract（参考訳）: 肺音の分類は呼吸器疾患の早期診断に不可欠である。 しかし, 同じ症状の患者においても, 生体信号は患者間の変動を示すことが多く, 個人差を考慮に入れた学習アプローチが必要である。 患者結合分離損失 (PCSL) とグローバル患者調整損失 (GPAL) の2つの新たな損失を有する患者認識特徴調整 (PAFA) フレームワークを提案する。 GPALは各患者の中心をグローバルな中心へと引きずり出し,特徴空間の断片化を防ぐ。 提案手法は,4クラスが64.84 %,2クラスが72.08 %,ICBHIデータセットが64.84 %,2クラスが72.08 %であった。 これらの知見は、個別化されたパターンをキャプチャし、個別の患者クラスタでパフォーマンス向上を示すPAFAの能力を浮き彫りにし、患者中心の医療に幅広い応用を提供する。

関連論文リスト

• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Toward Cohort Intelligence: A Universal Cohort Representation Learning Framework for Electronic Health Record Analysis [15.137213823470544]
  本稿では, 患者間の詳細なコホート情報を活用することで, EHR活用を促進するための共通コホート表現 lEarning (CORE) フレームワークを提案する。 COREは多様なバックボーンモデルに容易に適用でき、コホート情報を医療手法に注入してパフォーマンスを高める普遍的なプラグインフレームワークとして機能する。
  論文  参考訳（メタデータ） (2023-04-10T09:12:37Z)
• A semi-automatic ultrasound image analysis system for the grading diagnosis of COVID-19 pneumonia [16.074400000927003]
  本稿では,肺超音波(LUS)画像中の特定の画像パターンの定量的評価に基づく半自動システムを提案する。 提案した画像解析システムは、新型コロナウイルス肺炎患者のグレーディングおよび予後評価に潜在的に適用できる可能性がある。
  論文  参考訳（メタデータ） (2021-11-04T08:04:50Z)
• MAVIDH Score: A COVID-19 Severity Scoring using Chest X-Ray Pathology Features [10.671315906986754]
  コンピュータビジョンの新型コロナウイルス診断への応用は複雑で難しい。 新型コロナウイルスの医療画像の最大の価値は、むしろ患者の予後にある。 胸部X線から疾患重症度を評価するための肺病理学的特徴に基づく簡易な方法を提案する。
  論文  参考訳（メタデータ） (2020-11-30T16:55:28Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)

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。