論文の概要: Machine-learning competition to grade EEG background patterns in newborns with hypoxic-ischaemic encephalopathy

• arxiv url: http://arxiv.org/abs/2509.09695v1
• Date: Wed, 27 Aug 2025 09:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.723516
• Title: Machine-learning competition to grade EEG background patterns in newborns with hypoxic-ischaemic encephalopathy
• Title（参考訳）: 低酸素性虚血性脳症新生児における脳波背景パターンの学習競合
• Authors: Fabio Magarelli, Geraldine B. Boylan, Saeed Montazeri, Feargal O'Sullivan, Dominic Lightbody, Minoo Ashoori, Tamara Skoric Ceranic, John M. O'Toole,
• Abstract要約: 若年者102名を対象に,脳波353時間を含む振り返りデータセットを作成した。 データは完全に匿名化され、トレーニング、テスト、保持されたバリデーションデータセットに分割された。 次に、Webベースのコンペティションプラットフォームを作成し、新生児の脳波背景パターンの重症度を分類するMLモデルを開発するための機械学習コンペティションを開催しました。
• 参考スコア（独自算出の注目度）: 1.0118253437732931
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning (ML) has the potential to support and improve expert performance in monitoring the brain function of at-risk newborns. Developing accurate and reliable ML models depends on access to high-quality, annotated data, a resource in short supply. ML competitions address this need by providing researchers access to expertly annotated datasets, fostering shared learning through direct model comparisons, and leveraging the benefits of crowdsourcing diverse expertise. We compiled a retrospective dataset containing 353 hours of EEG from 102 individual newborns from a multi-centre study. The data was fully anonymised and divided into training, testing, and held-out validation datasets. EEGs were graded for the severity of abnormal background patterns. Next, we created a web-based competition platform and hosted a machine learning competition to develop ML models for classifying the severity of EEG background patterns in newborns. After the competition closed, the top 4 performing models were evaluated offline on a separate held-out validation dataset. Although a feature-based model ranked first on the testing dataset, deep learning models generalised better on the validation sets. All methods had a significant decline in validation performance compared to the testing performance. This highlights the challenges for model generalisation on unseen data, emphasising the need for held-out validation datasets in ML studies with neonatal EEG. The study underscores the importance of training ML models on large and diverse datasets to ensure robust generalisation. The competition's outcome demonstrates the potential for open-access data and collaborative ML development to foster a collaborative research environment and expedite the development of clinical decision-support tools for neonatal neuromonitoring.
• Abstract（参考訳）: マシンラーニング(ML)は、リスクの高い新生児の脳機能を監視する上で、専門家のパフォーマンスをサポートし、改善する可能性がある。 正確で信頼性の高いMLモデルの開発は、供給不足のリソースである高品質な注釈付きデータへのアクセスに依存する。 MLコンペティションは、専門家による注釈付きデータセットへのアクセス、直接モデル比較による共有学習の促進、さまざまな専門知識のクラウドソーシングのメリットを活用することで、このニーズに対処する。 若年者102名を対象に,脳波353時間を含む振り返りデータセットを作成した。 データは完全に匿名化され、トレーニング、テスト、保持されたバリデーションデータセットに分割された。 脳波は異常な背景パターンの重症度で評価された。 次に、Webベースのコンペティションプラットフォームを作成し、新生児の脳波背景パターンの重症度を分類するMLモデルを開発するための機械学習コンペティションを開催しました。 コンテストが終了すると、上位4つのモデルの実行が、別のホールトアウトバリデーションデータセットでオフラインで評価された。 機能ベースのモデルはテストデータセットで最初にランク付けされたが、ディープラーニングモデルは検証セットをより一般化した。 検証性能は, テスト性能と比較して有意に低下した。 これは、新生児脳波を用いたML研究において、ホールドアウト検証データセットの必要性を強調し、目に見えないデータに対するモデル一般化の課題を強調している。 この研究は、堅牢な一般化を保証するために、大規模で多様なデータセット上でMLモデルをトレーニングすることの重要性を強調している。 コンペの結果は、オープンアクセスデータと協調ML開発の可能性を示し、共同研究環境を育み、新生児神経モニタリングのための臨床的意思決定支援ツールの開発を迅速化する。

関連論文リスト

• BabyVLM: Data-Efficient Pretraining of VLMs Inspired by Infant Learning [47.451445173060094]
  ヒトの幼児は、最小限の入力から視覚的推論スキルを急速に発達させる。 最近の取り組みは、SAYCamのような幼児にインスパイアされたデータセットを活用している。 包括的ドメイン評価ベンチマークと合成トレーニングデータセットからなる新しいフレームワークであるBabyVLMを提案する。
  論文  参考訳（メタデータ） (2025-04-13T04:17:12Z)
• Is Limited Participant Diversity Impeding EEG-based Machine Learning? [12.258707843214946]
  脳波記録を小さなセグメントに分割してサンプル数を増やすのが一般的である。 我々はこれをマルチレベルデータ生成プロセスとして概念化し、モデル性能のスケーリング挙動について検討する。 次に、同じフレームワークを使用して、限られたデータ問題に対処するために設計されたさまざまなML戦略の有効性を調査します。
  論文  参考訳（メタデータ） (2025-03-11T12:04:59Z)
• Multi-OCT-SelfNet: Integrating Self-Supervised Learning with Multi-Source Data Fusion for Enhanced Multi-Class Retinal Disease Classification [2.5091334993691206]
  網膜疾患診断のための堅牢なディープラーニングモデルの開発には、トレーニングのためのかなりのデータセットが必要である。 より小さなデータセットで効果的に一般化する能力は、依然として永続的な課題である。 さまざまなデータソースを組み合わせて、パフォーマンスを改善し、新しいデータに一般化しています。
  論文  参考訳（メタデータ） (2024-09-17T17:22:35Z)
• Accelerating Large Language Model Pretraining via LFR Pedagogy: Learn, Focus, and Review [50.78587571704713]
  Learn-Focus-Review(LFR)は、モデルの学習進捗に適応する動的トレーニングアプローチである。 LFRは、データブロック(トークンのシーケンス)にわたるモデルの学習パフォーマンスを追跡し、データセットの困難な領域を再検討する。 フルデータセットでトレーニングされたベースラインモデルと比較して、LFRは一貫して低いパープレキシティと高い精度を達成した。
  論文  参考訳（メタデータ） (2024-09-10T00:59:18Z)
• Federated Learning for Early Dropout Prediction on Healthy Ageing Applications [0.0]
  我々は、プライバシの懸念を最小限に抑え、個々のデータを転送することなく分散トレーニングを可能にするフェデレーション機械学習(FML)アプローチを提案する。 その結果,FMLでトレーニングしたモデルの予測精度は,データ選択とクラス不均衡ハンドリング技術により有意に向上した。
  論文  参考訳（メタデータ） (2023-09-08T13:17:06Z)
• Reinforcement Learning Based Multi-modal Feature Fusion Network for Novel Class Discovery [47.28191501836041]
  本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。 また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。 我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
  論文  参考訳（メタデータ） (2023-08-26T07:55:32Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• BERT WEAVER: Using WEight AVERaging to enable lifelong learning for transformer-based models in biomedical semantic search engines [49.75878234192369]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• Reconstructing Training Data from Diverse ML Models by Ensemble Inversion [8.414622657659168]
  モデルインバージョン(MI)は、学習された機械学習(ML)モデルへのアクセスを敵が悪用するものであり、研究の注目を集めている。 本研究では,訓練されたモデルのアンサンブルに制約されたジェネレータを訓練することにより,元のトレーニングデータの分布を推定するアンサンブル変換手法を提案する。 データセットを使わずに高品質な結果が得られ、想定されるトレーニングデータに類似した補助データセットを利用することで、結果がどう改善されるかを示す。
  論文  参考訳（メタデータ） (2021-11-05T18:59:01Z)
• Survival Prediction of Heart Failure Patients using Stacked Ensemble Machine Learning Algorithm [0.0]
  心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。 データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。 本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-30T16:42:27Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。