論文の概要: EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2508.13735v1
• Date: Tue, 19 Aug 2025 11:12:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.898908
• Title: EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation
• Title（参考訳）: EEG-MedRAG:階層的ハイパーグラフ検索による脳波に基づく臨床診断の強化
• Authors: Yi Wang, Haoran Luo, Lu Meng,
• Abstract要約: EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
• 参考スコア（独自算出の注目度）: 5.73410409687106
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the widespread application of electroencephalography (EEG) in neuroscience and clinical practice, efficiently retrieving and semantically interpreting large-scale, multi-source, heterogeneous EEG data has become a pressing challenge. We propose EEG-MedRAG, a three-layer hypergraph-based retrieval-augmented generation framework that unifies EEG domain knowledge, individual patient cases, and a large-scale repository into a traversable n-ary relational hypergraph, enabling joint semantic-temporal retrieval and causal-chain diagnostic generation. Concurrently, we introduce the first cross-disease, cross-role EEG clinical QA benchmark, spanning seven disorders and five authentic clinical perspectives. This benchmark allows systematic evaluation of disease-agnostic generalization and role-aware contextual understanding. Experiments show that EEG-MedRAG significantly outperforms TimeRAG and HyperGraphRAG in answer accuracy and retrieval, highlighting its strong potential for real-world clinical decision support. Our data and code are publicly available at https://github.com/yi9206413-boop/EEG-MedRAG.
• Abstract（参考訳）: 脳波検査(EEG)を神経科学や臨床に広く応用することにより、大規模で多ソースな異種脳波データを効率的に検索し、意味的に解釈することが課題となっている。 EEG-MedRAGは,脳波ドメイン知識,患者個人,大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統一し,共同意味的時間的検索と因果連鎖診断を可能にする3層ハイパーグラフに基づく検索拡張生成フレームワークである。 同時に,第1回クロスリリース・クロスロールEEG臨床QAベンチマークも紹介した。 このベンチマークは、病気に依存しない一般化と役割を意識した文脈理解の体系的な評価を可能にする。 実験の結果,EEG-MedRAGはTimeRAGやHyperGraphRAGよりも解答精度と検索能力が優れており,実際の臨床診断支援に強い可能性が示された。 私たちのデータとコードはhttps://github.com/yi9206413-boop/EEG-MedRAG.comで公開されています。

関連論文リスト

• NeuroDx-LM: A Clinical Large-Scale Model for EEG-based Neurological Disorder Detection [7.185477956123345]
  脳電図(EEG)で事前訓練された大規模モデルは、神経疾患検出などの臨床応用において有望である。 NeuroDx-LMは、脳波に基づく神経疾患を検出するために特別に設計された新しい大規模モデルである。
  論文  参考訳（メタデータ） (2025-08-11T16:02:25Z)
• MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot [47.77948063906033]
  Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。 本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-06T12:27:35Z)
• DiffuSETS: 12-lead ECG Generation Conditioned on Clinical Text Reports and Patient-Specific Information [13.680337221159506]
  心臓病は人間の健康にとって重大な脅威である。 プライバシー上の懸念と限られた医療資源によって駆動される高品質なECGデータの空洞化は、効果的なECG信号生成の押し付けの必要性を生み出します。 セマンティックアライメントと忠実度の高いECG信号を生成可能な新しいフレームワークであるDiffuSETSを提案する。
  論文  参考訳（メタデータ） (2025-01-10T12:55:34Z)
• EEG-GMACN: Interpretable EEG Graph Mutual Attention Convolutional Network [2.6684288899870543]
  グラフ信号処理は脳波時空間解析の有望な手法として登場した。 既存のGSP研究では、電極の重要性と予測信頼性の信頼性が欠如している。 本研究では,解釈可能な電極グラフ重みを出力するEEGグラフ相互注意畳み込みネットワーク(EEG-GMACN)を提案する。
  論文  参考訳（メタデータ） (2024-12-15T13:37:20Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications [3.031375888004876]
  脳波の既存のDLベースのモデリング手法に2つの課題がある。 被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:36:31Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network [0.21756081703275995]
  本稿では,頭皮電気脳波(EEG)を用いた神経疾患の診断を改善するための新しいグラフ畳み込みニューラルネットワーク(GCNN)を提案する。 脳波データのための新しいGCNNモデルであるEEG-GCNNを提案し、頭皮電極間の空間的および機能的接続を捉える。 我々は、EEG-GCNNが人間のベースラインと古典的機械学習(ML)ベースラインを大幅に上回っており、AUCは0.90であることを示した。
  論文  参考訳（メタデータ） (2020-11-17T20:25:28Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。