論文の概要: Bridging the Compression-Precision Paradox: A Hybrid Architecture for Clinical EEG Report Generation with Guaranteed Measurement Accuracy

• arxiv url: http://arxiv.org/abs/2602.10544v1
• Date: Wed, 11 Feb 2026 05:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.491026
• Title: Bridging the Compression-Precision Paradox: A Hybrid Architecture for Clinical EEG Report Generation with Guaranteed Measurement Accuracy
• Title（参考訳）: 圧縮精度パラドックスのブリッジング:測定精度を保証した臨床脳波レポート生成のためのハイブリッドアーキテクチャ
• Authors: Wuyang Zhang, Zhen Luo, Chuqiao Gu, Jianming Ma, Yebo Cao, Wangming Yuan, Yinzhi Jin,
• Abstract要約: 自動脳波モニタリングは、発作の検出と報告のために臨床レベルの精度を必要とする。 臨床脳波記録はLLMコンテキストウインドウを超え、極度の圧縮(400:1以上の比率)を必要とするため、微細な時間的精度を損なう。 脳波自動診断における臨床測定精度を保証する最初のシステムである。
• 参考スコア（独自算出の注目度）: 2.904501695585514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated EEG monitoring requires clinician-level precision for seizure detection and reporting. Clinical EEG recordings exceed LLM context windows, requiring extreme compression (400:1+ ratios) that destroys fine-grained temporal precision. A 0.5 Hz error distinguishes absence epilepsy from Lennox-Gastaut syndrome. LLMs lack inherent time-series comprehension and rely on statistical associations from compressed representations. This dual limitation causes systems to hallucinate clinically incorrect measurement values. We separate measurement extraction from text generation. Our hybrid architecture computes exact clinical values via signal processing before compression, employs a cross-modal bridge for EEG-to-language translation, and uses parameter-efficient fine-tuning with constrained decoding around frozen slots. Multirate sampling maintains long-range context while preserving event-level precision. Evaluation on TUH and CHB-MIT datasets achieves 60% fewer false alarms, 50% faster detection, and sub-clinical measurement precision. This is the first system guaranteeing clinical measurement accuracy in automated EEG reports.
• Abstract（参考訳）: 自動脳波モニタリングは、発作の検出と報告のために臨床レベルの精度を必要とする。 臨床脳波記録はLLMコンテキストウインドウを超え、極度の圧縮(400:1以上の比率)を必要とするため、微細な時間的精度を損なう。 0.5Hzの誤差はLennox-Gastaut症候群と相違する。 LLMには固有の時系列理解が欠如しており、圧縮された表現からの統計的関連に依存している。 この二重制限により、システムは臨床的に誤った測定値を幻覚させる。 テキスト生成からの測定抽出を分離する。 我々のハイブリッドアーキテクチャは, 圧縮前の信号処理による正確な臨床値を計算し, クロスモーダルブリッジを用いてEEGから言語への翻訳を行い, 凍結スロットの周辺に制約付き復号を施したパラメータ効率の微調整を用いる。 マルチレートサンプリングは、イベントレベルの精度を維持しながら、長距離コンテキストを維持する。 TUHとCHB-MITデータセットの評価では、誤報が60%減少し、検出が50%高速化し、サブクリニカル測定精度が向上した。 脳波自動診断における臨床測定精度を保証する最初のシステムである。

関連論文リスト

• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• An Automated Retrieval-Augmented Generation LLaMA-4 109B-based System for Evaluating Radiotherapy Treatment Plans [2.2532577733932038]
  我々は,LLaMA-4 109Bを用いた放射線治療計画の自動化,プロトコル認識,解釈可能な評価のためのRAGシステムを開発した。 RAGシステムは5つのSentenceTransformerバックボーンに最適化された検索エンジン、コホート類似性に基づくパーセンタイル予測コンポーネント、臨床制約チェッカーの3つのコアモジュールを統合している。
  論文  参考訳（メタデータ） (2025-09-25T03:18:31Z)
• A Fully Automatic Framework for Intracranial Pressure Grading: Integrating Keyframe Identification, ONSD Measurement and Clinical Data [3.6652537579778106]
  頭蓋内圧(ICP)上昇は脳機能に深刻な脅威をもたらし、時間的介入の監視を必要とする。 OnSD測定と臨床データを統合したICPグレーティングのための完全自動2段階フレームワークを提案する。 評価精度は0.845 pm 0.071$, 独立試験精度0.786であり, 従来のしきい値法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-11T11:37:48Z)
• Lightweight Convolution Transformer for Cross-patient Seizure Detection in Multi-channel EEG Signals [0.0]
  本研究では、新しいディープラーニングアーキテクチャに基づく軽量畳み込み変換器(LCT)を提案する。 変換器は、多チャンネル脳波(EEG)信号から空間的および時間的相関情報を同時に学習し、より小さなセグメント長で発作を検出する。
  論文  参考訳（メタデータ） (2023-05-07T16:43:52Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Collaborative residual learners for automatic icd10 prediction using prescribed medications [45.82374977939355]
  本稿では,処方用データのみを用いたicd10符号の自動予測のための協調残差学習モデルを提案する。 平均精度0.71および0.57のマルチラベル分類精度、F1スコア0.57および0.38の0.73および0.44の精度を取得し、患者および外来データセットの主診断をそれぞれ予測します。
  論文  参考訳（メタデータ） (2020-12-16T07:07:27Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。