論文の概要: Classifying Clinical Outcome of Epilepsy Patients with Ictal Chirp Embeddings

• arxiv url: http://arxiv.org/abs/2508.13476v1
• Date: Tue, 19 Aug 2025 03:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.778739
• Title: Classifying Clinical Outcome of Epilepsy Patients with Ictal Chirp Embeddings
• Title（参考訳）: Ictal Chirp Embeddings によるてんかん患者の臨床成績の分類
• Authors: Nooshin Bahador, Milad Lankarany,
• Abstract要約: 本研究では,t-Distributed Neighbor Embedding (t-SNE) を利用して,様々な結果シナリオにおけるチャープ特徴の解釈可能な可視化を行うパイプラインを提案する。 データセットは、チャープベースの時間、スペクトル、周波数メトリクスから構成される。 t-SNEを用いて,群集問題に対処しながら地域住民関係を保存した。
• 参考スコア（独自算出の注目度）: 0.23020018305241333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a pipeline leveraging t-Distributed Stochastic Neighbor Embedding (t-SNE) for interpretable visualizations of chirp features across diverse outcome scenarios. The dataset, comprising chirp-based temporal, spectral, and frequency metrics. Using t-SNE, local neighborhood relationships were preserved while addressing the crowding problem through Student t-distribution-based similarity optimization. Three classification tasks were formulated on the 2D t-SNE embeddings: (1) distinguishing clinical success from failure/no-resection, (2) separating high-difficulty from low-difficulty cases, and (3) identifying optimal cases, defined as successful outcomes with minimal clinical difficulty. Four classifiers, namely, Random Forests, Support Vector Machines, Logistic Regression, and k-Nearest Neighbors, were trained and evaluated using stratified 5-fold cross-validation. Across tasks, the Random Forest and k-NN classifiers demonstrated superior performance, achieving up to 88.8% accuracy in optimal case detection (successful outcomes with minimal clinical difficulty). Additionally, feature influence sensitivity maps were generated using SHAP explanations applied to model predicting t-SNE coordinates, revealing spatially localized feature importance within the embedding space. These maps highlighted how specific chirp attributes drive regional clustering and class separation, offering insights into the latent structure of the data. The integrated framework showcases the potential of interpretable embeddings and local feature attribution for clinical stratification and decision support.
• Abstract（参考訳）: 本研究では,t-Distributed Stochastic Neighbor Embedding (t-SNE) を利用して,様々な結果シナリオにおけるチャープ特徴の解釈可能な可視化を行うパイプラインを提案する。 このデータセットは、チャープベースの時間、スペクトル、周波数のメトリクスで構成されている。 t-SNEを用いて, 生徒t-分布に基づく類似度最適化により, 群集問題に対処しながら, 局所的な地域関係を保存した。 2D t-SNE 埋込法では,(1) 失敗例と非切除例とを区別し,(2) 高分化度と低分化度とを分離し,(3) 最適な症例を同定し,臨床上の困難度を最小に抑えた。 4つの分類器(ランダムフォレスト、サポートベクターマシン、ロジスティック回帰、k-Nearest Neighbors)を、成層5倍のクロスバリデーションを用いて訓練し、評価した。 タスク全体にわたって、ランダムフォレストとk-NN分類器は優れた性能を示し、最適な症例検出では88.8%の精度を達成した。 さらに、モデル予測t-SNE座標に応用したSHAP説明を用いて特徴影響感度マップを生成し、埋め込み空間における空間的局所的特徴の重要性を明らかにした。 これらのマップは、特定のチャープ属性が局所的なクラスタリングとクラス分離を駆動し、データの潜在構造に関する洞察を提供する方法を強調した。 統合されたフレームワークは、解釈可能な埋め込みの可能性と、臨床成層化と意思決定支援のための局所的特徴属性を示す。

関連論文リスト

• Semi-Supervised Anomaly Detection Pipeline for SOZ Localization Using Ictal-Related Chirp [0.23020018305241333]
  チャープ現象の時間周波数解析は、統計的に異常なチャネルを特定するために用いられる。 LOFベースのアプローチは、SOZのローカライゼーションにおいて、インデックスマッチング(チャネル近接による重み付け)が正確なマッチングよりも優れているような、アウトリーチを効果的に検出する。 重要なポイントは、チャープベースの外れ値検出と重み付き空間メトリクスを組み合わせることで、SOZローカライゼーションの相補的な方法が提供されることである。
  論文  参考訳（メタデータ） (2025-08-18T23:54:59Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [35.34932609930401]
  本研究は,バイオメディカルイメージセグメンテーションのための計算効率の良い生成ツールとしてのPULASki法を提案する。 専門家のアノテーションでは、小さなデータセットであっても、変数をキャプチャする。 また,3次元パッチと従来の2次元スライスを用いた複雑なジオメトリーの計算可能セグメンテーションについて比較検討した。
  論文  参考訳（メタデータ） (2023-12-25T10:31:22Z)
• Temporal Supervised Contrastive Learning for Modeling Patient Risk Progression [12.185263022907744]
  本稿では,患者時系列の各段階の埋め込み表現を学習する教師付きコントラスト学習フレームワークを提案する。 組込み空間の近傍点は類似した予測クラス確率を持ち,(2)組込み空間の近傍点に同じ時系列マップの隣接時間ステップ,(3)組込み空間の遠く離れた領域に全く異なる原特徴ベクトルを持つ時間ステップを持つ。
  論文  参考訳（メタデータ） (2023-12-10T16:43:15Z)
• Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
  ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。 本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
  論文  参考訳（メタデータ） (2023-05-26T13:19:15Z)
• Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning [125.99533416395765]
  最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。 本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
  論文  参考訳（メタデータ） (2023-02-06T10:01:38Z)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。