論文の概要: Clinically Calibrated Machine Learning Benchmarks for Large-Scale Multi-Disorder EEG Classification

• arxiv url: http://arxiv.org/abs/2512.22656v1
• Date: Sat, 27 Dec 2025 17:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.161798
• Title: Clinically Calibrated Machine Learning Benchmarks for Large-Scale Multi-Disorder EEG Classification
• Title（参考訳）: 大規模多方向脳波分類のための臨床校正型機械学習ベンチマーク
• Authors: Argha Kamal Samanta, Deepak Mewada, Monalisa Sarma, Debasis Samanta,
• Abstract要約: 本研究は,脳波による脳波自動分類を臨床関連神経疾患11カテゴリーに分けて検討した。 マシンラーニングモデルは、厳格なクラス不均衡の下でトレーニングされ、診断感度の優先順位を決定するための決定しきい値が明示的に調整される。
• 参考スコア（独自算出の注目度）: 6.941409613662483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical electroencephalography is routinely used to evaluate patients with diverse and often overlapping neurological conditions, yet interpretation remains manual, time-intensive, and variable across experts. While automated EEG analysis has been widely studied, most existing methods target isolated diagnostic problems, particularly seizure detection, and provide limited support for multi-disorder clinical screening. This study examines automated EEG-based classification across eleven clinically relevant neurological disorder categories, encompassing acute time-critical conditions, chronic neurocognitive and developmental disorders, and disorders with indirect or weak electrophysiological signatures. EEG recordings are processed using a standard longitudinal bipolar montage and represented through a multi-domain feature set capturing temporal statistics, spectral structure, signal complexity, and inter-channel relationships. Disorder-aware machine learning models are trained under severe class imbalance, with decision thresholds explicitly calibrated to prioritize diagnostic sensitivity. Evaluation on a large, heterogeneous clinical EEG dataset demonstrates that sensitivity-oriented modeling achieves recall exceeding 80% for the majority of disorder categories, with several low-prevalence conditions showing absolute recall gains of 15-30% after threshold calibration compared to default operating points. Feature importance analysis reveals physiologically plausible patterns consistent with established clinical EEG markers. These results establish realistic performance baselines for multi-disorder EEG classification and provide quantitative evidence that sensitivity-prioritized automated analysis can support scalable EEG screening and triage in real-world clinical settings.
• Abstract（参考訳）: 臨床脳波検査は、多彩でしばしば重複する神経疾患の患者を評価するために日常的に用いられるが、解釈は手動、時間集約、専門家間の変動が残る。 脳波自動解析は広く研究されているが、既存のほとんどの手法は孤立した診断問題、特に発作検出を対象とし、多方向臨床スクリーニングの限られたサポートを提供している。 本研究は,脳波による脳波自動分類を,急性期臨界状態,慢性神経認知・発達障害,間接的・弱い電気生理学的症状を有する疾患を含む臨床関連神経疾患カテゴリ11種に分けて検討した。 脳波記録は標準的な縦二極モンタージュを用いて処理され、時間統計、スペクトル構造、信号複雑性、チャネル間関係をキャプチャする多領域特徴セットを通して表現される。 障害対応機械学習モデルは、診断感度を優先するために明確に調整された決定しきい値を持つ、厳しいクラス不均衡の下で訓練される。 大規模で異種な臨床脳波データセットによる評価は、感度指向モデリングが障害カテゴリーの大部分で80%以上のリコールを達成し、いくつかの低頻度条件では、デフォルトの手術点と比較して、閾値調整後の15～30%の絶対リコールゲインを示す。 特徴的重要性分析は、確立された臨床脳波マーカーと整合した生理学的に妥当なパターンを示す。 これらの結果は,マルチディディディショナリな脳波分類のための現実的なパフォーマンスベースラインを確立し,感度優先型自動解析が脳波スクリーニングとトリアージを現実の臨床環境で支援できるという定量的証拠を提供する。

関連論文リスト

• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• Ocular-Induced Abnormal Head Posture: Diagnosis and Missing Data Imputation [1.7061463565692456]
  AHP(Acular-induced abnormal head posture)は、眼疾患から生じる補充機構である。 本研究では,2つの相補的なディープラーニングフレームワークを通じて,両課題に対処する。 AHP-CADNetは自動診断のための多層注意融合フレームワークである。 カリキュラムベースの計算フレームワークは、欠落したデータを緩和するために設計されている。
  論文  参考訳（メタデータ） (2025-10-07T07:51:59Z)
• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• NeuroDx-LM: A Clinical Large-Scale Model for EEG-based Neurological Disorder Detection [7.185477956123345]
  脳電図(EEG)で事前訓練された大規模モデルは、神経疾患検出などの臨床応用において有望である。 NeuroDx-LMは、脳波に基づく神経疾患を検出するために特別に設計された新しい大規模モデルである。
  論文  参考訳（メタデータ） (2025-08-11T16:02:25Z)
• Deep Learning-Powered Electrical Brain Signals Analysis: Advancing Neurological Diagnostics [20.149456702857414]
  神経障害は、脳信号解析の進歩を推進し、世界的な健康問題を引き起こす。 脳波と頭蓋内脳波(iEEG)は診断とモニタリングに広く用いられている。 本稿では、脳波/iEEGに基づく神経学的診断におけるディープラーニングアプローチの最近の進歩を体系的に検討する。
  論文  参考訳（メタデータ） (2025-02-24T14:45:05Z)
• Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis [1.3416169841532526]
  脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。 複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。 本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
  論文  参考訳（メタデータ） (2022-11-23T00:28:41Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Representation learning for improved interpretability and classification accuracy of clinical factors from EEG [7.323779456638996]
  脳波に基づく神経測定は、うつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能する。 これまでの研究では、脳波に基づく神経計測がうつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能することを示した。 しかし,その臨床的有用性は,1)脳波データに関連する固有ノイズに対処する自動化方法の欠如,2)脳波信号のどの側面が臨床疾患のマーカーであるかの知識の欠如など,完全には実現されていない。
  論文  参考訳（メタデータ） (2020-10-28T23:21:36Z)

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。