論文の概要: Large language models surpass domain-specific architectures for antepartum electronic fetal monitoring analysis

• arxiv url: http://arxiv.org/abs/2509.18112v1
• Date: Tue, 09 Sep 2025 22:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.369297
• Title: Large language models surpass domain-specific architectures for antepartum electronic fetal monitoring analysis
• Title（参考訳）: 大規模言語モデルがドメイン固有アーキテクチャを超越したアンテパートム電子胎児モニタリング解析
• Authors: Sheng Wong, Ravi Shankar, Beth Albert, Gabriel Davis Jones,
• Abstract要約: ファンデーションモデル(FM)と大規模言語モデル(LLM)は、大規模なデータセットのトレーニングを通じて、さまざまなドメインにわたって顕著な能力を示す。 本研究では,自動CTG解析における最先端AI手法の総合的な比較を行った。
• 参考スコア（独自算出の注目度）: 3.365708695027943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models (FMs) and large language models (LLMs) demonstrate remarkable capabilities across diverse domains through training on massive datasets. These models have demonstrated exceptional performance in healthcare applications, yet their potential for electronic fetal monitoring (EFM)/cardiotocography (CTG) analysis, a critical technology for evaluating fetal well-being, remains largely underexplored. Antepartum CTG interpretation presents unique challenges due to the complex nature of fetal heart rate (FHR) patterns and uterine activity, requiring sophisticated analysis of long time-series data. The assessment of CTG is heavily based on subjective clinical interpretation, often leading to variability in diagnostic accuracy and deviation from timely pregnancy care. This study presents the first comprehensive comparison of state-of-the-art AI approaches for automated antepartum CTG analysis. We systematically compare time-series FMs and LLMs against established CTG-specific architectures. Our evaluation encompasses over 500 CTG recordings of varying durations reflecting real-world clinical recordings, providing robust performance benchmarks across different modelling paradigms. Our results demonstrate that fine-tuned LLMs achieve superior performance compared to both foundation models and domain-specific approaches, offering a promising alternative pathway for clinical CTG interpretation. These findings provide critical insights into the relative strengths of different AI methodologies for fetal monitoring applications and establish a foundation for future clinical AI development in prenatal care.
• Abstract（参考訳）: ファンデーションモデル(FM)と大規模言語モデル(LLM)は、大規模なデータセットのトレーニングを通じて、さまざまなドメインにわたって顕著な能力を示す。 これらのモデルは医療応用において例外的な性能を示したが、胎児の健康を評価する重要な技術である電子胎児モニタリング(EFM/CTG)分析の可能性はほとんど調査されていない。 胎児心拍パターン(FHR)と子宮活動の複雑な性質が原因で, 経皮的CTGの解釈に固有の課題が生じる。 CTGの評価は主観的臨床的解釈に大きく依存しており、診断精度の変動や、妊娠中のタイムリーなケアからの逸脱につながることがしばしばある。 本研究では,自動CTG解析における最先端AI手法の総合的な比較を行った。 時系列FMとLCMをCTG固有のアーキテクチャと体系的に比較する。 実世界の臨床記録を反映した500以上のCTG記録を網羅し,様々なモデリングパラダイムにまたがる堅牢なパフォーマンスベンチマークを提供する。 本研究は, 基礎モデルと領域特異的アプローチの双方と比較して, 微調整LDMが優れた性能を発揮することを示し, 臨床CTGの解釈に有望な代替手段を提供する。 これらの知見は、胎児モニタリングのための異なるAI方法論の相対的強度に関する重要な洞察を与え、出生前医療における将来の臨床AI開発の基礎を確立する。

関連論文リスト

• A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
  一般臨床用超音波基礎モデルであるEchoCareについて紹介する。 我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。 最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
  論文  参考訳（メタデータ） (2025-09-15T10:05:31Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
  アーキテクチャとフレームワークのバイアスがモデルのパフォーマンスにどのように影響するかを示します。 実験では、プリプロセッシングと実装の選択に基づいて、最大20%の性能変化を示す。 我々は,現在の深層計算法と医療要件の相違点を同定する。
  論文  参考訳（メタデータ） (2024-07-11T12:33:28Z)
• Time Series Modeling for Heart Rate Prediction: From ARIMA to Transformers [4.744436991413165]
  本研究では、LSTMを含む高度なディープラーニングモデルを用いて、MIT-BIHデータベースから心拍数時系列を予測する。 結果は、ディープラーニングモデル、特にPatchTSTが、複数のメトリクスで従来のモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-18T01:55:37Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• 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)

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。