論文の概要: Contextual Discrepancy-Aware Contrastive Learning for Robust Medical Time Series Diagnosis in Small-Sample Scenarios

• arxiv url: http://arxiv.org/abs/2601.07548v1
• Date: Mon, 12 Jan 2026 13:54:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.421432
• Title: Contextual Discrepancy-Aware Contrastive Learning for Robust Medical Time Series Diagnosis in Small-Sample Scenarios
• Title（参考訳）: 小規模シナリオにおけるロバスト医療時系列診断のための文脈差を考慮したコントラスト学習
• Authors: Kaito Tanaka, Aya Nakayama, Masato Ito, Yuji Nishimura, Keisuke Matsuda,
• Abstract要約: CoDAC(Contextual Discrepancy-Aware Contrastive Learning)は、診断精度と一般化を高める新しいフレームワークである。 CoDACは外部の健全なデータを活用し、TransformerベースのAutoencoder上に構築されたContextual Discrepancy Estimator (CDE)を導入する。 アルツハイマー病脳波、パーキンソン病脳波、心筋梗塞心電図のデータセットの実験は、CoDACの優れた性能を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical time series data, such as EEG and ECG, are vital for diagnosing neurological and cardiovascular diseases. However, their precise interpretation faces significant challenges due to high annotation costs, leading to data scarcity, and the limitations of traditional contrastive learning in capturing complex temporal patterns. To address these issues, we propose CoDAC (Contextual Discrepancy-Aware Contrastive learning), a novel framework that enhances diagnostic accuracy and generalization, particularly in small-sample settings. CoDAC leverages external healthy data and introduces a Contextual Discrepancy Estimator (CDE), built upon a Transformer-based Autoencoder, to precisely quantify abnormal signals through context-aware anomaly scores. These scores dynamically inform a Dynamic Multi-views Contrastive Framework (DMCF), which adaptively weights different temporal views to focus contrastive learning on diagnostically relevant, discrepant regions. Our encoder combines dilated convolutions with multi-head attention for robust feature extraction. Comprehensive experiments on Alzheimer's Disease EEG, Parkinson's Disease EEG, and Myocardial Infarction ECG datasets demonstrate CoDAC's superior performance across all metrics, consistently outperforming state-of-the-art baselines, especially under low label availability. Ablation studies further validate the critical contributions of CDE and DMCF. CoDAC offers a robust and interpretable solution for medical time series diagnosis, effectively mitigating data scarcity challenges.
• Abstract（参考訳）: 脳波や心電図などの医療時系列データは、神経疾患や心血管疾患の診断に不可欠である。 しかし、それらの正確な解釈は、高いアノテーションコストとデータ不足、複雑な時間パターンをキャプチャする従来のコントラスト学習の限界により、重大な課題に直面している。 このような問題に対処するため,特に小さめの設定において,診断精度と一般化を高める新しいフレームワークであるCoDAC(Contextual Discrepancy-Aware Contrastive Learning)を提案する。 CoDACは外部の健康データを活用し、Transformerベースのオートエンコーダ上に構築されたコンテキスト離散推定器(CDE)を導入し、コンテキスト認識異常スコアを通じて異常信号を正確に定量化する。 これらのスコアは動的多視点コントラストフレームワーク(DMCF)に動的に通知する。 我々のエンコーダは、拡張畳み込みとマルチヘッドアテンションを組み合わせて、ロバストな特徴抽出を行う。 アルツハイマー病脳波、パーキンソン病脳波、心筋梗塞心電図のデータセットに関する総合的な実験は、CoDACのすべての指標における優れたパフォーマンスを示し、特に低ラベルの可用性において、常に最先端のベースラインよりも優れていた。 アブレーション研究は、CDEとDMCFの批判的貢献をさらに検証している。 CoDACは、医療時系列診断のための堅牢で解釈可能なソリューションを提供し、データ不足を効果的に軽減する。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
  縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。 このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。 アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
  論文  参考訳（メタデータ） (2025-09-09T11:52:24Z)
• Conditional Electrocardiogram Generation Using Hierarchical Variational Autoencoders [0.0]
  我々は、ECG信号生成(cNVAE-ECG)のための条件付きヌーヴォーVAEモデルを提案する。 本稿では,ECG信号生成(cNVAE-ECG)のための公用条件付きVAEモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-03T13:30:36Z)
• Federated Learning for Coronary Artery Plaque Detection in Atherosclerosis Using IVUS Imaging: A Multi-Hospital Collaboration [8.358846277772779]
  経皮的冠動脈インターベンション(PCI)における血管内超音波(IVUS)画像の従来的解釈は時間集約的かつ矛盾する。 多段階セグメンテーションアーキテクチャを持つ並列2次元U-Netモデルを開発した。 0.706のDice similarity Coefficient (DSC) は、プラークを効果的に識別し、リアルタイムで円形の境界を検出する。
  論文  参考訳（メタデータ） (2024-12-19T13:06:28Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Contrast Everything: A Hierarchical Contrastive Framework for Medical Time-Series [12.469204999759965]
  COMETは、医療時系列のすべての固有のレベルにおいてデータのコンピテンシーを活用する革新的な階層的フレームワークである。 我々の綿密に設計されたモデルは、観察、サンプル、トライアル、患者レベルという4つの潜在的なレベルからデータ一貫性を体系的にキャプチャする。 心筋梗塞の心電図信号とアルツハイマー病とパーキンソン病の脳波信号を含む3つの多様なデータセットを用いて,COMETと6つのベースラインを比較した。
  論文  参考訳（メタデータ） (2023-10-21T13:59:31Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。