論文の概要: NutriScreener: Retrieval-Augmented Multi-Pose Graph Attention Network for Malnourishment Screening

• arxiv url: http://arxiv.org/abs/2511.16566v1
• Date: Thu, 20 Nov 2025 17:20:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.752596
• Title: NutriScreener: Retrieval-Augmented Multi-Pose Graph Attention Network for Malnourishment Screening
• Title（参考訳）: NutriScreener:Mornourishment Screeningのための検索強化マルチパスグラフアテンションネットワーク
• Authors: Misaal Khan, Mayank Vatsa, Kuldeep Singh, Richa Singh,
• Abstract要約: NutriScreenerは検索強化多目的グラフアテンションネットワークである。 これは、CLIPベースの視覚埋め込み、クラスブートされた知識検索、コンテキスト認識を組み合わせたものだ。 0.79のリコール、0.82のAUC、より低いRMSEを達成している。
• 参考スコア（独自算出の注目度）: 33.31396710382974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Child malnutrition remains a global crisis, yet existing screening methods are laborious and poorly scalable, hindering early intervention. In this work, we present NutriScreener, a retrieval-augmented, multi-pose graph attention network that combines CLIP-based visual embeddings, class-boosted knowledge retrieval, and context awareness to enable robust malnutrition detection and anthropometric prediction from children's images, simultaneously addressing generalizability and class imbalance. In a clinical study, doctors rated it 4.3/5 for accuracy and 4.6/5 for efficiency, confirming its deployment readiness in low-resource settings. Trained and tested on 2,141 children from AnthroVision and additionally evaluated on diverse cross-continent populations, including ARAN and an in-house collected CampusPose dataset, it achieves 0.79 recall, 0.82 AUC, and significantly lower anthropometric RMSEs, demonstrating reliable measurement in unconstrained pediatric settings. Cross-dataset results show up to 25% recall gain and up to 3.5 cm RMSE reduction using demographically matched knowledge bases. NutriScreener offers a scalable and accurate solution for early malnutrition detection in low-resource environments.
• Abstract（参考訳）: 子どもの栄養失調は依然として世界的な危機だが、既存のスクリーニング手法は手間がかかり、スケーラビリティが悪く、早期の介入を妨げている。 本研究では,CLIPに基づく視覚埋め込み,クラスブースト知識検索,コンテキスト認識を組み合わせた多目的グラフアテンションネットワークであるNutriScreenerを提案する。 臨床研究において、医師は4.3/5の精度と4.6/5の効率で評価し、低リソース環境での配備準備性を確認した。 AnthroVisionの2,141人の子どもを対象にトレーニングおよびテストを行い、ARANや社内で収集したCampusPoseデータセットを含む様々な大陸横断人口で評価した。 クロスデータセットの結果は、人口統計学的に一致した知識ベースを用いて、25%のリコールゲインと3.5cmのRMSE還元を示す。 NutriScreenerは、低リソース環境における早期栄養失調検出のためのスケーラブルで正確なソリューションを提供する。

関連論文リスト

• Data-Driven Prediction of Maternal Nutritional Status in Ethiopia Using Ensemble Machine Learning Models [0.0]
  妊婦の栄養失調はエチオピアの主要な公衆衛生問題である。 従来の統計学的アプローチでは、栄養状態の複雑な多次元決定因子を捉えることができない。 本研究では,アンサンブル機械学習を用いた予測モデルを開発した。
  論文  参考訳（メタデータ） (2025-09-18T13:31:40Z)
• Deep Learning-Based Longitudinal Prediction of Childhood Myopia Progression Using Fundus Image Sequences and Baseline Refraction Data [7.544051156624095]
  小児の近視・近視リスクを定量的に予測する新しい高精度手法を提案する。 深層学習をベースとして, AUCスコアは0.944, 0.995で, 平均誤差は0.311D, 平均誤差は0.944, 平均誤差は0.995であった。
  論文  参考訳（メタデータ） (2024-07-31T09:26:20Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• NurtureNet: A Multi-task Video-based Approach for Newborn Anthropometry [32.07154968009373]
  新生児の栄養失調は発展途上国で最大の公衆衛生上の問題である。 我々のゴールは、医療従事者や公衆衛生システムに、接触のない新生児の人文科学の解決策を提供することです。
  論文  参考訳（メタデータ） (2024-05-09T03:49:54Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Enhancing Food Intake Tracking in Long-Term Care with Automated Food Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
  長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。 本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
  論文  参考訳（メタデータ） (2021-12-08T22:25:52Z)
• An Artificial Intelligence-Based System to Assess Nutrient Intake for Hospitalised Patients [4.048427587958764]
  入院患者の栄養摂取の定期的なモニタリングは、疾患関連栄養失調のリスクを低減する上で重要な役割を担っている。 本稿では,栄養摂取量を正確に推定する人工知能(AI)に基づく新しいシステムを提案する。
  論文  参考訳（メタデータ） (2020-03-18T15:28:51Z)

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。