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

• arxiv url: http://arxiv.org/abs/2509.18112v2
• Date: Thu, 06 Nov 2025 11:12:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.142998
• 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、時系列解析のために様々な領域にまたがる有望な一般化を実証している。 自動CTG分類のための最先端アーキテクチャの総合ベンチマークを初めて提示する。
• 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) have demonstrated promising generalization across diverse domains for time-series analysis, yet their potential for electronic fetal monitoring (EFM) and cardiotocography (CTG) analysis remains underexplored. Most existing CTG studies relied on domain-specific models and lack systematic comparisons with modern foundation or language models, limiting our understanding of whether these models can outperform specialized systems in fetal health assessment. In this study, we present the first comprehensive benchmark of state-of-the-art architectures for automated antepartum CTG classification. Over 2,500 20-minutes recordings were used to evaluate over 15 models spanning domain-specific, time-series, foundation, and language-model categories under a unified framework. Fine-tuned LLMs consistently outperformed both foundation and domain-specific models across data-availability scenarios, except when uterine-activity signals were absent, where domain-specific models showed greater robustness. These performance gains, however, required substantially higher computational resources. Our results highlight that while fine-tuned LLMs achieved state-of-the-art performance for CTG classification, practical deployment must balance performance with computational efficiency.
• 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、時系列分析のために様々な領域にわたって有望な一般化を実証しているが、電子胎児モニタリング(EFM)と心電図(CTG)分析の可能性はまだ未定である。 既存のCTG研究の多くは、ドメイン固有のモデルに依存しており、現代の基礎や言語モデルと体系的な比較が欠如しているため、これらのモデルが胎児の健康評価において特殊なシステムより優れているかどうかの理解が制限されている。 本研究では,自動CTG分類のための最先端アーキテクチャの総合的なベンチマークを初めて提示する。 2500以上の20分の録音が、ドメイン固有、時系列、基礎、言語モデルカテゴリにまたがる15以上のモデルを統一されたフレームワークで評価するために使用された。 微調整 LLM は、子宮活性信号が欠如している場合を除いて、データ可用性シナリオにおける基礎モデルとドメイン固有モデルの両方で一貫して性能が向上した。 しかし、これらの性能向上には、かなり高い計算資源が必要だった。 以上の結果から,CTG分類における微調整LDMは最先端の性能を達成できたが,実際の展開は計算効率と性能のバランスをとらなければならないことが示唆された。

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。