論文の概要: PRISM: Exploring Heterogeneous Pretrained EEG Foundation Model Transfer to Clinical Differential Diagnosis

• arxiv url: http://arxiv.org/abs/2603.02268v1
• Date: Sat, 28 Feb 2026 19:50:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.484221
• Title: PRISM: Exploring Heterogeneous Pretrained EEG Foundation Model Transfer to Clinical Differential Diagnosis
• Title（参考訳）: PRISM : 異種脳波モデルを用いた臨床鑑別診断
• Authors: Jeet Bandhu Lahiri, Parshva Runwal, Arvasu Kulkarni, Mahir Jain, Aditya Ray Mishra, Siddharth Panwar, Sandeep Singh,
• Abstract要約: PRISMは2つの軸に沿ってアブレーションされたマスク付きオートエンコーダである。 狭義のEU/USコーパスを,多施設の南アジア臨床記録を付加した地理的に多様なプールと比較した。 PRISMはタスクの大部分でREVE(92データセット、6万時間以上)にマッチする。
• 参考スコア（独自算出の注目度）: 5.616707402426108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EEG foundation models are typically pretrained on narrow-source clinical archives and evaluated on benchmarks from the same ecosystem, leaving unclear whether representations encode neural physiology or recording-distribution artifacts. We introduce PRISM (Population Representative Invariant Signal Model), a masked autoencoder ablated along two axes -- pretraining population and downstream adaptation -- with architecture and preprocessing fixed. We compare a narrow-source EU/US corpus (TUH + PhysioNet) against a geographically diverse pool augmented with multi-center South Asian clinical recordings across multiple EEG systems. Three findings emerge. First, narrow-source pretraining yields stronger linear probes on distribution-matched benchmarks, while diverse pretraining produces more adaptable representations under fine-tuning -- a trade-off invisible under single-protocol evaluation. Trained on three source corpora, PRISM matches or outperforms REVE (92 datasets, 60,000+ hours) on the majority of tasks, demonstrating that targeted diversity can substitute for indiscriminate scale and that dataset count is a confounding variable in model comparison. Second, on a clinically challenging and previously untested task -- distinguishing epilepsy from diagnostic mimickers via interictal EEG -- the diverse checkpoint outperforms the narrow-source checkpoint by +12.3 pp balanced accuracy, the largest gap across all evaluations. Third, systematic inconsistencies between EEG-Bench and EEG-FM-Bench reverse model rankings on identical datasets by up to 24 pp; we identify six concrete sources including split construction, checkpoint selection, segment length, and normalization, showing these factors compound non-additively.
• Abstract（参考訳）: EEGファンデーションモデルは典型的には、狭義の臨床的アーカイヴで事前訓練され、同じエコシステムのベンチマークで評価され、表現が神経生理学または記録分布アーティファクトをコードしているかどうかは不明のままである。 PRISM(Population Representative Invariant Signal Model)は,2つの軸に沿って展開するマスク付きオートエンコーダである。 狭義のEU/USコーパス(TUH + PhysioNet)と、複数のEEGシステムにまたがる多センター南アジアの臨床記録を付加した地理的に多様なプールの比較を行った。 3つの発見がある。 まず、狭いソースの事前訓練は、分散マッチングされたベンチマーク上でより強い線形プローブをもたらす一方、多様な事前訓練は、微調整の下でより適応可能な表現を生み出します。 3つのソースコーパスでトレーニングされたPRISMマッチは、タスクの大部分でREVE(92データセット、6万時間以上)を上回り、ターゲットの多様性が非差別的なスケールに代えられること、データセットカウントがモデル比較において相反する変数であることを実証する。 第2に、臨床的に困難で以前にテストされた未試験のタスク -- 頭蓋間脳波による診断の模倣者との鑑別 -- において、多様なチェックポイントは、狭いソースのチェックポイントを+12.3ppの精度で上回り、全ての評価において最大のギャップである。 第3に,EEG-BenchとEEG-FM-Benchの逆モデルランキングの系統的矛盾を最大24ppまで低減し,分割構成,チェックポイント選択,セグメント長,正規化を含む6つの具体的情報源を同定し,これらの因子を非付加的に合成した。

関連論文リスト

• Rethinking Generalized BCIs: Benchmarking 340,000+ Unique Algorithmic Configurations for EEG Mental Command Decoding [0.0]
  本稿では,空間的脳波と非線形脳波の340,000以上の一意な組み合わせについて評価する。 脳波の運動画像パターンを全ユーザやデータセットで最適にデコードする,汎用的な"ワンサイズフィットオール"手法は存在しない。
  論文  参考訳（メタデータ） (2025-12-02T17:56:46Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Ensemble of Pre-Trained Neural Networks for Segmentation and Quality Detection of Transmission Electron Microscopy Images [0.0]
  この研究では、事前学習されたニューラルネットワークの2種類のアンサンブルが実装された。 アンサンブルは2相混合で氷結晶のセマンティックセグメンテーションを行った。 EAとERのパフォーマンスは,精度,キャリブレーション,不確実性の3つの指標で評価した。
  論文  参考訳（メタデータ） (2022-09-05T11:15:25Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• An Adversarial Domain Separation Framework for Septic Shock Early Prediction Across EHR Systems [7.058760708627898]
  本稿では,異なる医療システムから収集したEHRの2つのカテゴリの相違に対処する汎用ドメイン適応(DA)フレームワークを提案する。 本研究は,米国における異なる医療システムから得られた2つの現実的 EHR を用いて,極めて困難な症状である敗血症性ショックの早期診断のための枠組みを評価する。
  論文  参考訳（メタデータ） (2020-10-26T23:41:33Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models [20.376912072606412]
  本稿では, 難治性てんかんの診断に応用したハイブリッドバイリニア深層学習ネットワークを提案する。 診断の精度は、医療症状の重複、様々な経験のレベル、および臨床専門職間の多様性によっても複雑である。
  論文  参考訳（メタデータ） (2020-01-15T03:22:10Z)

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。