論文の概要: This EEG Looks Like These EEGs: Interpretable Interictal Epileptiform Discharge Detection With ProtoEEG-kNN

• arxiv url: http://arxiv.org/abs/2510.20846v1
• Date: Tue, 21 Oct 2025 01:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.264989
• Title: This EEG Looks Like These EEGs: Interpretable Interictal Epileptiform Discharge Detection With ProtoEEG-kNN
• Title（参考訳）: この脳波は脳波のように見える:ProtoEEG-kNNで解釈可能な頭蓋間葉放電検出
• Authors: Dennis Tang, Jon Donnelly, Alina Jade Barnett, Lesia Semenova, Jin Jing, Peter Hadar, Ioannis Karakis, Olga Selioutski, Kehan Zhao, M. Brandon Westover, Cynthia Rudin,
• Abstract要約: ProtoEEG-kNNは、単純なケースベース推論プロセスに従う本質的に解釈可能なモデルである。 我々は,IED検出における最先端の精度を実現するとともに,専門家が既存のアプローチよりも好む説明を提供する。
• 参考スコア（独自算出の注目度）: 21.933840210971013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The presence of interictal epileptiform discharges (IEDs) in electroencephalogram (EEG) recordings is a critical biomarker of epilepsy. Even trained neurologists find detecting IEDs difficult, leading many practitioners to turn to machine learning for help. While existing machine learning algorithms can achieve strong accuracy on this task, most models are uninterpretable and cannot justify their conclusions. Absent the ability to understand model reasoning, doctors cannot leverage their expertise to identify incorrect model predictions and intervene accordingly. To improve the human-model interaction, we introduce ProtoEEG-kNN, an inherently interpretable model that follows a simple case-based reasoning process. ProtoEEG-kNN reasons by comparing an EEG to similar EEGs from the training set and visually demonstrates its reasoning both in terms of IED morphology (shape) and spatial distribution (location). We show that ProtoEEG-kNN can achieve state-of-the-art accuracy in IED detection while providing explanations that experts prefer over existing approaches.
• Abstract（参考訳）: 脳波記録における間質性てんかん性放電(IEDs)の存在はてんかんの重要なバイオマーカーである。 訓練された神経学者でさえ、IEDの検出が困難であることに気付き、多くの実践者が機械学習に助けを求めるようになった。 既存の機械学習アルゴリズムはこのタスクで高い精度を達成することができるが、ほとんどのモデルは解釈不能であり、結論を正当化することはできない。 モデル推論を理解する能力がないため、医師は自分の専門知識を活かして誤ったモデル予測を特定し、それに従って介入することができない。 人-モデル相互作用を改善するために,簡単なケースベース推論プロセスに従う本質的に解釈可能なモデルであるProtoEEG-kNNを導入する。 プロトEEG-kNNは、トレーニングセットから脳波と類似の脳波を比較し、IED形態(形状)と空間分布(位置)の両方の観点からその推論を視覚的に示す。 我々は,IED検出における最先端の精度を実現するとともに,専門家が既存のアプローチよりも好む説明を提供する。

関連論文リスト

• WaveMind: Towards a Conversational EEG Foundation Model Aligned to Textual and Visual Modalities [55.00677513249723]
  脳波信号は認知過程と固有の神経状態の両方を同時に符号化する。 我々は、EEG信号とその対応するモダリティを統一意味空間にマッピングし、一般化された解釈を実現する。 結果として得られたモデルは、柔軟でオープンな会話をサポートしながら、堅牢な分類精度を示す。
  論文  参考訳（メタデータ） (2025-09-26T06:21:51Z)
• EEGDM: EEG Representation Learning via Generative Diffusion Model [17.595769291603688]
  生成拡散モデル(EEGDM)に基づく脳波表現学習フレームワークを提案する。 具体的には,拡散事前学習のための構造化状態空間モデルを開発し,DDPM(Denoising Diffusion Probabilistic Model)フレームワークを用いて学習を行った。 提案した潜時核融合変換器 (LFT) を用いた下流分類作業において, 得られた潜時脳波表現を用いた。
  論文  参考訳（メタデータ） (2025-08-13T14:40:52Z)
• ProtoEEGNet: An Interpretable Approach for Detecting Interictal Epileptiform Discharges [15.997723075264895]
  脳波記録(EEG)では、間質性てんかん性放電(IEDs)の存在は発作や発作のような出来事に対する重要なバイオマーカーとして機能する。 本稿では,IED検出の最先端精度を実現するモデルであるProtoEEGNetを紹介し,その分類の解釈可能な正当性を提供する。
  論文  参考訳（メタデータ） (2023-12-03T19:00:08Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• Improving Clinician Performance in Classification of EEG Patterns on the Ictal-Interictal-Injury Continuum using Interpretable Machine Learning [15.548202338334615]
  集中治療室(ICUs)では、重度の脳損傷を防ぐために、重度疾患のある患者は脳波(EEGs)で監視される。 ブラックボックスのディープラーニングモデルは信頼できない、トラブルシューティングが難しい、現実世界のアプリケーションでは説明責任が欠如している。 本稿では,有害脳波パターンの存在を予測する新しい解釈可能な深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-09T21:33:40Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。