論文の概要: End to End Autoencoder MLP Framework for Sepsis Prediction

• arxiv url: http://arxiv.org/abs/2508.18688v1
• Date: Tue, 26 Aug 2025 05:22:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.688201
• Title: End to End Autoencoder MLP Framework for Sepsis Prediction
• Title（参考訳）: セプシス予測のためのエンドツーエンドオートエンコーダMLPフレームワーク
• Authors: Hejiang Cai, Di Wu, Ji Xu, Xiang Liu, Yiziting Zhu, Xin Shu, Yujie Li, Bin Yi,
• Abstract要約: セプシス(Sepsis)は、集中治療環境でのタイムリーな検出を必要とする生命の脅威である。 Naive Bayesを含む従来の機械学習アプローチは、不規則で不完全な時系列データに苦戦している。 自動特徴抽出のための教師なしオートエンコーダを統合したエンドツーエンドのディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.151360630975482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sepsis is a life threatening condition that requires timely detection in intensive care settings. Traditional machine learning approaches, including Naive Bayes, Support Vector Machine (SVM), Random Forest, and XGBoost, often rely on manual feature engineering and struggle with irregular, incomplete time-series data commonly present in electronic health records. We introduce an end-to-end deep learning framework integrating an unsupervised autoencoder for automatic feature extraction with a multilayer perceptron classifier for binary sepsis risk prediction. To enhance clinical applicability, we implement a customized down sampling strategy that extracts high information density segments during training and a non-overlapping dynamic sliding window mechanism for real-time inference. Preprocessed time series data are represented as fixed dimension vectors with explicit missingness indicators, mitigating bias and noise. We validate our approach on three ICU cohorts. Our end-to-end model achieves accuracies of 74.6 percent, 80.6 percent, and 93.5 percent, respectively, consistently outperforming traditional machine learning baselines. These results demonstrate the framework's superior robustness, generalizability, and clinical utility for early sepsis detection across heterogeneous ICU environments.
• Abstract（参考訳）: セプシス(Sepsis)は、集中治療環境でのタイムリーな検出を必要とする生命の脅威である。 Naive Bayes(英語版)、Support Vector Machine(SVM)、Random Forest(英語版)、XGBoost(英語版)といった伝統的な機械学習アプローチは、しばしば手動の特徴工学に依存し、電子健康記録によく見られる不完全な時系列データと競合する。 自動特徴抽出のための教師なしオートエンコーダとバイナリセシスリスク予測のための多層パーセプトロン分類器を統合したエンドツーエンドのディープラーニングフレームワークを提案する。 臨床応用性を高めるため、トレーニング中に高情報密度セグメントを抽出するカスタマイズダウンサンプリング戦略と、リアルタイム推論のための非重複動的スライディングウィンドウ機構を実装した。 前処理された時系列データは、明らかな欠損指標、バイアスとノイズを緩和する固定次元ベクトルとして表現される。 我々は3つのICUコホートに対するアプローチを検証する。 私たちのエンドツーエンドモデルは、それぞれ74.6%、80.6%、93.5パーセントのアキュラシーを達成し、従来の機械学習ベースラインを一貫して上回ります。 これらの結果は、不均一ICU環境における早期敗血症検出のためのフレームワークの優れた堅牢性、一般化性、臨床的有用性を示すものである。

関連論文リスト

• Anatomically-guided masked autoencoder pre-training for aneurysm detection [6.025753055139489]
  頭蓋内動脈瘤は世界中で致死率と死亡率の主要な原因である。 本研究では,無注釈頭部CTスキャンデータを用いた3次元ビジョントランスモデルの事前学習のための新しい事前学習手法を提案する。 SOTA大動脈瘤検出モデルと比較すると, 絶対感度は+4-8%, 偽陽性率0.5。
  論文  参考訳（メタデータ） (2025-02-28T17:13:58Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• 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)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
  本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。 新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。 予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
  論文  参考訳（メタデータ） (2021-02-01T20:35:22Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。