論文の概要: CARE-PD: A Multi-Site Anonymized Clinical Dataset for Parkinson's Disease Gait Assessment

• arxiv url: http://arxiv.org/abs/2510.04312v1
• Date: Sun, 05 Oct 2025 18:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.578179
• Title: CARE-PD: A Multi-Site Anonymized Clinical Dataset for Parkinson's Disease Gait Assessment
• Title（参考訳）: CARE-PD:パーキンソン病歩行評価のための多点匿名臨床データセット
• Abstract要約: CARE-PDはパーキンソン病のための3Dメッシュ歩行データの公開アーカイブとしては最大である。 すべての記録は、調和した前処理パイプラインを介して匿名化されたSMPLメッシュに変換される。 CARE-PDは2つの重要なベンチマークをサポートしている。
• 参考スコア（独自算出の注目度）: 8.951494377110704
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective gait assessment in Parkinson's Disease (PD) is limited by the absence of large, diverse, and clinically annotated motion datasets. We introduce CARE-PD, the largest publicly available archive of 3D mesh gait data for PD, and the first multi-site collection spanning 9 cohorts from 8 clinical centers. All recordings (RGB video or motion capture) are converted into anonymized SMPL meshes via a harmonized preprocessing pipeline. CARE-PD supports two key benchmarks: supervised clinical score prediction (estimating Unified Parkinson's Disease Rating Scale, UPDRS, gait scores) and unsupervised motion pretext tasks (2D-to-3D keypoint lifting and full-body 3D reconstruction). Clinical prediction is evaluated under four generalization protocols: within-dataset, cross-dataset, leave-one-dataset-out, and multi-dataset in-domain adaptation. To assess clinical relevance, we compare state-of-the-art motion encoders with a traditional gait-feature baseline, finding that encoders consistently outperform handcrafted features. Pretraining on CARE-PD reduces MPJPE (from 60.8mm to 7.5mm) and boosts PD severity macro-F1 by 17 percentage points, underscoring the value of clinically curated, diverse training data. CARE-PD and all benchmark code are released for non-commercial research at https://neurips2025.care-pd.ca/.
• Abstract（参考訳）: パーキンソン病(PD)における客観的歩行評価は、大きく、多様で、臨床的に注釈付けされた運動データセットが欠如していることによって制限される。 CARE-PDは,PD用3Dメッシュ歩行データとして最大規模のアーカイブであり,臨床センター8カ所のコホート9カ所にまたがる最初の多地点コレクションである。 すべての記録(RGBビデオまたはモーションキャプチャ)は、調和した前処理パイプラインを介して匿名化されたSMPLメッシュに変換される。 CARE-PDは、教師付き臨床スコア予測(Unified Parkinson's Disease Rating Scale, UPDRS, gait scores)と教師なしモーションプレテキストタスク(2D-to-3Dキーポイントリフトとフルボディ3D再構築)の2つの主要なベンチマークをサポートしている。 in-dataset, cross-dataset, leave-one-dataset-out, multi-dataset in- domain adaptationの4つの一般化プロトコルで臨床予測を評価する。 臨床関連性を評価するため,最先端のモーションエンコーダを従来の歩行機能ベースラインと比較し,手作りの特徴を一貫して上回っていることを確認した。 CARE-PDのトレーニングは、MPJPE(60.8mmから7.5mm)を減少させ、PD重症度マクロF1を17ポイント増加させ、臨床治療された多種多様なトレーニングデータの価値を低下させる。 CARE-PDとすべてのベンチマークコードは、https://neurips2025.care-pd.ca/.comで非商用研究のためにリリースされた。

関連論文リスト

• MR-JEPA: A General Purpose Video Foundation Model for Cardiac MRI [21.245485191371703]
  CMRのための自己教師型ビデオ基盤モデルMR-JEPAを提案する。 従来のCMRビデオモデルとは異なり、MR-JEPAはシーケンシャルなマルチシーケンスデータに基づいて事前訓練される。
  論文  参考訳（メタデータ） (2026-08-31T15:36:24Z)
• Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
  ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。 3つの主要なコンポーネントを特徴とするフレームワークを提案する。 診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
  論文  参考訳（メタデータ） (2026-06-24T08:24:45Z)
• The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization [67.92281859568168]
  第3回オートPETチャレンジ(MICCAI 2024)の設計と成果を報告する。 全身PET/CTにおける自動病変分割を, 構成的一般化条件下でベンチマークした。 トップランクのアルゴリズムは平均DSCが0.66、FNVが3.18mL、FPVが2.78mLである。
  論文  参考訳（メタデータ） (2026-05-07T07:07:09Z)
• STEP-PD: Stage-Aware and Explainable Parkinson's Disease Severity Classification Using Multimodal Clinical Assessments [1.5441222602475007]
  本研究は,臨床的に解釈可能な境界を用いた重症度分類のための重症度対応機械学習フレームワークSTEP-PDを提案する。 病気の重症度は、HoehnとYahrのステージングを用いて定義され、Healthy、Mild PD(ステージ1-2)、Modrate-to-Severe PD(ステージ3-5)の3つの臨床的意義のあるカテゴリに分類される。 XGBoostは95.48% (Healthy vs. Mild)、99.44% (Healthy vs. Moderate-to-Severe)、96.78% (Mild vs. Moderate-to-Severe)という最強で最も安定したパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-04-19T20:53:59Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• FALCON: Few-Shot Adversarial Learning for Cross-Domain Medical Image Segmentation [6.934814982783991]
  データを2次元スライスとして処理することで,高精度な3次元ボリュームセグメンテーションを実現するクロスドメイン・ショットセグメンテーションフレームワークであるFALCONを提案する。 FALCONは最も低いハウスドルフ距離のスコアを一貫して達成し、境界精度が優れていることを示す。 結果はラベル付きデータを大幅に減らし、データ拡張をなくし、計算オーバーヘッドを大幅に減らして達成される。
  論文  参考訳（メタデータ） (2026-01-04T22:57:49Z)
• Cross-dataset Multivariate Time-series Model for Parkinson's Diagnosis via Keyboard Dynamics [1.4895002251586484]
  パーキンソン病(PD)は世界的な課題となり、1000万人以上の人に影響を与えている。 本稿では,キーストロークダイナミックスを非侵襲的かつスケーラブルなバイオマーカーとして活用し,遠隔PDスクリーニングと遠隔監視を実現するパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:42:08Z)
• STROKEVISION-BENCH: A Multimodal Video And 2D Pose Benchmark For Tracking Stroke Recovery [41.140934816875806]
  StrokeVision-Benchは、脳卒中患者が臨床的に構造化されたブロック転送タスクを行う最初の専用データセットである。 StrokeVision-Benchは、1000本の注釈付きビデオを4つの臨床的に意味のあるアクションクラスに分類する。 我々は,現在最先端のビデオアクション認識と骨格に基づく動作分類手法のベンチマークを行い,性能ベースラインを確立する。
  論文  参考訳（メタデータ） (2025-09-02T18:48:37Z)
• Your Turn: At Home Turning Angle Estimation for Parkinson's Disease Severity Assessment [39.780728280324944]
  本稿では,ビデオから3Dスケルトンを抽出して回転角を自動的に定量化する深層学習手法を提案する。 我々は、24人の被験者から1386個のビデオクリップを回転させて、最先端の人間のポーズ推定モデルであるFastposeとStrided Transformerを利用する。 これは、一眼レフカメラデータを用いて、自宅のPD患者によるターンの定量化を行う最初の研究である。
  論文  参考訳（メタデータ） (2024-08-15T14:36:07Z)
• 2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks [0.0]
  本研究はパーキンソン病の診断にConvolutional Kolmogorov-Arnold Networks(ConvKANs)を適用した。 ConvKANは、構造MRIを用いたPD分類のために、学習可能なアクティベーション機能を畳み込み層に統合する。 医用画像用ConvKANの最初の3D実装について紹介し、その性能を畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCN)と比較した。 これらの知見は, PD検出に対するConvKANsの可能性を強調し, 脳の微妙な変化を捉える上での3D解析の重要性を強調し, データセット間の一般化の課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-07-24T16:04:18Z)
• Benchmarking Skeleton-based Motion Encoder Models for Clinical Applications: Estimating Parkinson's Disease Severity in Walking Sequences [3.650839294933459]
  PD患者の歩行パターンを解析するための大規模人間の動作データセットを訓練した一般人動作エンコーダ。 運動障害社会の予測能力について,6つの事前訓練されたヒト運動エンコーダモデルの評価を行った。
  論文  参考訳（メタデータ） (2024-05-28T04:29:10Z)
• Benchmarking Encoder-Decoder Architectures for Biplanar X-ray to 3D Shape Reconstruction [1.1748284119769041]
  6つのパブリックデータセットを用いて,2次元3次元モデルと2次元3次元モデルについて広範囲に評価する。 以上の結果から,グローバルな空間的関係を捉えた注意に基づく手法は,すべての解剖学において良好に機能することが示唆された。
  論文  参考訳（メタデータ） (2023-09-24T09:05:35Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Exploring Motion Boundaries in an End-to-End Network for Vision-based Parkinson's Severity Assessment [2.359557447960552]
  パーキンソン病の重症度を2つの重要な構成要素である手の動きと歩行で測定するための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示する。 本手法は,テンポラルセグメンテーションフレームワークで訓練された膨らんだ3次元cnnを用いて,映像データの時間構造と時間構造を学習する。 本研究では,25名のPD患者を対象に,手作業および歩行作業における72.3%,77.1%の上位1位精度のデータセットを用いて,提案手法を評価した。
  論文  参考訳（メタデータ） (2020-12-17T19:20:17Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)

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。