論文の概要: A Foundation Model Approach for Fetal Stress Prediction During Labor From cardiotocography (CTG) recordings

• arxiv url: http://arxiv.org/abs/2601.06149v1
• Date: Mon, 05 Jan 2026 22:36:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.615902
• Title: A Foundation Model Approach for Fetal Stress Prediction During Labor From cardiotocography (CTG) recordings
• Title（参考訳）: 心エコー法(CTG)による胎児ストレス予測の基礎的検討
• Authors: Naomi Fridman, Berta Ben Shachar,
• Abstract要約: 心電図は、運動中の胎児のモニタリングに広く用いられている。 深層学習のアプローチは臨床結果ラベル付きCTG記録の不足によって制約されている。 自己教師型プレトレーニングの第1報をCTG解析に応用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Intrapartum cardiotocography (CTG) is widely used for fetal monitoring during labor, yet its interpretation suffers from high inter-observer variability and limited predictive accuracy. Deep learning approaches have been constrained by the scarcity of CTG recordings with clinical outcome labels. We present the first application of self-supervised pre-training to intrapartum CTG analysis, leveraging 2,444 hours of unlabeled recordings for masked pre-training followed by fine-tuning on the 552-recording CTU-UHB benchmark. Using a PatchTST transformer architecture with a channel-asymmetric masking scheme designed for fetal heart rate reconstruction, we achieve an area under the receiver operating characteristic curve of 0.83 on the full test set and 0.853 on uncomplicated vaginal deliveries, exceeding previously reported results on this benchmark (0.68-0.75). Error analysis reveals that false-positive alerts typically correspond to CTG patterns judged concerning on retrospective clinical review, suggesting clinically meaningful predictions even when umbilical pH is normal. We release standardized dataset splits and model weights to enable reproducible benchmarking. Our results demonstrate that self-supervised pre-training can address data scarcity in fetal monitoring, offering a path toward reliable decision support in the labor room.
• Abstract（参考訳）: 心電図(CTG)は、運動中の胎児のモニタリングに広く用いられているが、その解釈は、高いサーバ間変動と限られた予測精度に悩まされている。 深層学習のアプローチは臨床結果ラベル付きCTG記録の不足によって制約されている。 CTU-UHBベンチマークを用いて,2,444時間の未収録記録をマスク付きプレトレーニングに利用し,自己教師付きプレトレーニングの初回適用について検討した。 胎児の心拍数再構成を目的としたチャネル非対称マスキング方式を用いたPatchTSTトランスフォーマーアーキテクチャを用いて、全テストセットの0.83の特性曲線と、複雑でないヴァージナルデリバリーの0.853の領域を達成し、このベンチマーク(0.68-0.75)で報告された結果を上回った。 誤り分析の結果, 偽陽性の警告は通常, 振り返り臨床検査で判断されるCTGパターンに対応し, pHが正常であっても臨床的に有意な予測が示唆された。 再現可能なベンチマークを可能にするため、標準化されたデータセット分割とモデルウェイトをリリースする。 以上の結果から, 自己指導型プレトレーニングは胎児モニタリングにおけるデータ不足に対処でき, 作業室における信頼性の高い意思決定支援への道筋が示される。

関連論文リスト

• Improved cystic hygroma detection from prenatal imaging using ultrasound-specific self-supervised representation learning [0.18058404137575482]
  嚢胞性横隔膜腫(Cystic hygroma)は、高リスク出生前超音波検査で、染色体異常、構造的異常、および妊娠の悪影響を呈する。 本研究は,第1トリメスター超音波画像において,超音波による自己教師付き事前訓練が,嚢胞性肥大症を高精度かつ堅牢に検出するのに役立つかどうかを検証した。
  論文  参考訳（メタデータ） (2025-12-28T00:07:26Z)
• Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder [1.8352113484137627]
  心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
  論文  参考訳（メタデータ） (2025-09-08T10:54:04Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Predicting VBAC Outcomes from U.S. Natality Data using Deep and Classical Machine Learning Models [0.0]
  本研究は,CDC WONDER Natalityデータセットから得られたセサレアン(VBAC)後の迷走神経発生を予測するための教師付き機械学習モデルを提案する。 ロジスティック回帰、XGBoost、多層パーセプトロン(MLP)の3つの分類器を訓練した。 AUCは0.7287で最高性能を記録し、XGBoost (Boost = 0.727) はロジスティック回帰ベースラインを上回った。
  論文  参考訳（メタデータ） (2025-07-28T20:54:55Z)
• Q-PART: Quasi-Periodic Adaptive Regression with Test-time Training for Pediatric Left Ventricular Ejection Fraction Regression [45.69922532213079]
  適応型左室エジェクション・フラクション(LVEF)の評価の課題に対処する。 我々はtextbfTest-time Training (Q-PART) フレームワークを用いた textbfQuasi-textbfPeriodic textbfAdaptive textbfRegression を提案する。
  論文  参考訳（メタデータ） (2025-03-06T06:24:51Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• 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)
• Interpretable Prediction of Pulmonary Hypertension in Newborns using Echocardiograms [2.770437783544638]
  新生児および乳児の肺高血圧は、いくつかの肺疾患、心臓疾患、全身疾患に関連する複雑な疾患である。 心エコー図を用いたコホート194新生児のPH予測のための多視点ビデオに基づく多視点深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T12:33:58Z)
• 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。