論文の概要: Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2509.06540v1
• Date: Mon, 08 Sep 2025 10:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.075243
• Title: Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder
• Title（参考訳）: 教師付き変分オートエンコーダを用いた心電図信号による胎児の予後予測
• Authors: John Tolladay, Beth Albert, Gabriel Davis Jones,
• Abstract要約: 心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
• 参考スコア（独自算出の注目度）: 1.8352113484137627
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective: To develop and interpret a supervised variational autoencoder (VAE) model for classifying cardiotocography (CTG) signals based on pregnancy outcomes, addressing interpretability limits of current deep learning approaches. Methods: The OxMat CTG dataset was used to train a VAE on five-minute fetal heart rate (FHR) segments, labeled with postnatal outcomes. The model was optimised for signal reconstruction and outcome prediction, incorporating Kullback-Leibler divergence and total correlation (TC) constraints to structure the latent space. Performance was evaluated using area under the receiver operating characteristic curve (AUROC) and mean squared error (MSE). Interpretability was assessed using coefficient of determination, latent traversals and unsupervised component analyses. Results: The model achieved an AUROC of 0.752 at the segment level and 0.779 at the CTG level, where predicted scores were aggregated. Relaxing TC constraints improved both reconstruction and classification. Latent analysis showed that baseline-related features (e.g., FHR baseline, baseline shift) were well represented and aligned with model scores, while metrics like short- and long-term variability were less strongly encoded. Traversals revealed clear signal changes for baseline features, while other properties were entangled or subtle. Unsupervised decompositions corroborated these patterns. Findings: This work demonstrates that supervised VAEs can achieve competitive fetal outcome prediction while partially encoding clinically meaningful CTG features. The irregular, multi-timescale nature of FHR signals poses challenges for disentangling physiological components, distinguishing CTG from more periodic signals such as ECG. Although full interpretability was not achieved, the model supports clinically useful outcome prediction and provides a basis for future interpretable, generative models.
• Abstract（参考訳）: 目的: 心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行う。 方法: OxMat CTGデータセットを用いて、5分間の胎児心拍数(FHR)セグメントでVAEをトレーニングし、生後成績をラベル付けした。 The model optimized to signal reconstruction and outcome prediction, using Kullback-Leibler divergence and total correlation (TC) constraints to structure the latent space。 受信機動作特性曲線 (AUROC) と平均二乗誤差 (MSE) に基づく性能評価を行った。 解釈性は, 決定係数, 潜在トラバーサル, 教師なし成分分析を用いて評価した。 結果:AUROCはセグメントレベルで0.752,CTGレベルで0.779,予測スコアが集計された。 TC制約の緩和は、再構築と分類の両方を改善した。 潜在分析の結果, ベースライン関連特徴(例えば, FHRベースライン, ベースラインシフト)はモデルスコアとよく一致し, 短期的, 長期的変動性などの指標は強符号化されていないことがわかった。 トラバーサルはベースラインの特徴に対して明確な信号変化を示し、他の特性は絡み合ったり微妙だった。 教師なしの分解はこれらのパターンを裏付けた。 Findings: 本研究は,VAEが臨床的に有意なCTG特徴を部分的に符号化しながら,競争的な胎児予後予測を達成できることを実証した。 FHR信号の不規則でマルチタイムスケールな性質は、心電図のようなより周期的な信号とCTGを区別し、生理学的成分を遠ざけるための課題を提起する。 完全な解釈性は達成されなかったが、このモデルは臨床的に有用な結果予測をサポートし、将来の解釈可能な生成モデルの基礎を提供する。

関連論文リスト

• Explainable AI (XAI) for Arrhythmia detection from electrocardiograms [0.0]
  深層学習は心電図(ECG)信号から高い精度の不整脈検出を可能にしているが、臨床応用には限界がある。 本研究では,時系列ECG分析に特化して適応した説明可能なAI(XAI)技術の適用について検討する。
  論文  参考訳（メタデータ） (2025-08-24T10:44:24Z)
• CTG-Insight: A Multi-Agent Interpretable LLM Framework for Cardiotocography Analysis and Classification [0.0]
  胎児心拍数 (FHR) と子宮収縮 (UC) 信号の構造的解釈を提供する多エージェントLCMシステムであるCTG-Insightを提案する。 最終的な集約エージェントは、アウトプットを合成し、自然言語の説明を伴う胎児の健康の全体分類を提供する。 その結果、CTG-Insightは最先端の精度(96.4%)とF1スコア(97.8%)を達成し、透明で解釈可能な出力を生成することがわかった。
  論文  参考訳（メタデータ） (2025-07-29T20:10:10Z)
• Online Graph Topology Learning via Time-Vertex Adaptive Filters: From Theory to Cardiac Fibrillation [37.69303106863453]
  本稿では,動的グラフトポロジ推定のための空間適応アルゴリズムであるAdaCGPを紹介する。 AdaCGPは一貫して最先端の手法より優れている。 確立した手法よりも効果的に伝搬パターンの動的変化を追跡する。
  論文  参考訳（メタデータ） (2024-11-03T13:43:51Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Classification of fetal compromise during labour: signal processing and feature engineering of the cardiotocograph [0.0]
  本研究は,臨床専門知識とシステム制御理論に基づく新しいCTG機能を開発する。 特徴は、胎児の妥協を識別する上での有効性を評価するために、機械学習モデルで評価される。 ARMAは胎児の妥協を検知する主要な特徴にランク付けされている。
  論文  参考訳（メタデータ） (2021-10-31T15:02:14Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
  本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。 提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
  論文  参考訳（メタデータ） (2020-04-24T23:41:41Z)

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。