論文の概要: Early Warning of Intraoperative Adverse Events via Transformer-Driven Multi-Label Learning

• arxiv url: http://arxiv.org/abs/2603.05212v1
• Date: Thu, 05 Mar 2026 14:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.266914
• Title: Early Warning of Intraoperative Adverse Events via Transformer-Driven Multi-Label Learning
• Title（参考訳）: Transformer-Driven Multi-Label Learning による術中逆イベントの早期警告
• Authors: Xueyao Wang, Xiuding Cai, Honglin Shang, Yaoyao Zhu, Yu Yao,
• Abstract要約: 術中不良事象の早期警戒は, 外科的リスクの低減と患者の安全性向上に重要な役割を担っている。 術中不良事象予測のための第1回Multi-label Adverse Events(MuAE)データセットを構築し,6つの重要な事象を網羅した。 改良されたTAFiLM(Time-Aware Feature-wise Linear Modulation)モジュールを組み合わせた,Transformerベースの多言語学習フレームワーク(IAENet)を提案する。
• 参考スコア（独自算出の注目度）: 6.302510626629428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early warning of intraoperative adverse events plays a vital role in reducing surgical risk and improving patient safety. While deep learning has shown promise in predicting the single adverse event, several key challenges remain: overlooking adverse event dependencies, underutilizing heterogeneous clinical data, and suffering from the class imbalance inherent in medical datasets. To address these issues, we construct the first Multi-label Adverse Events dataset (MuAE) for intraoperative adverse events prediction, covering six critical events. Next, we propose a novel Transformerbased multi-label learning framework (IAENet) that combines an improved Time-Aware Feature-wise Linear Modulation (TAFiLM) module for static covariates and dynamic variables robust fusion and complex temporal dependencies modeling. Furthermore, we introduce a Label-Constrained Reweighting Loss (LCRLoss) with co-occurrence regularization to effectively mitigate intra-event imbalance and enforce structured consistency among frequently co-occurring events. Extensive experiments demonstrate that IAENet consistently outperforms strong baselines on 5, 10, and 15-minute early warning tasks, achieving improvements of +5.05%, +2.82%, and +7.57% on average F1 score. These results highlight the potential of IAENet for supporting intelligent intraoperative decision-making in clinical practice.
• Abstract（参考訳）: 術中不良事象の早期警戒は, 外科的リスクの低減と患者の安全性向上に重要な役割を担っている。 深層学習は、単一の有害事象を予測することを約束しているが、いくつかの重要な課題は、有害事象の依存関係を見渡すこと、異質な臨床データを活用すること、医療データセットに固有のクラス不均衡に苦しむことである。 これらの課題に対処するため,術中不良事象予測のための最初の多ラベル逆事象データセット (MuAE) を構築し,6つの重要な事象を網羅した。 次に、静的共変量および動的変数のロバスト融合と複雑な時間依存性モデリングのための改良されたTime-Aware Feature-wise Linear Modulation (TAFiLM)モジュールを組み合わせた、Transformer based Multi-label Learning framework (IAENet)を提案する。 さらに,ラベル制約付き再重み付け損失(LCRLoss)を共起正則化することで,イベント内不均衡を効果的に緩和し,頻繁に共起するイベント間の構造的整合性を強制する。 大規模な実験では、IAENetは5,10,15分間の早期警戒タスクで、平均F1スコアで+5.05%、+2.82%、+7.57%の改善を達成した。 これらの結果は,IAENetが臨床実習におけるインテリジェントな術中意思決定を支援する可能性を強調した。

関連論文リスト

• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• PULSE-ICU: A Pretrained Unified Long-Sequence Encoder for Multi-task Prediction in Intensive Care Units [0.3277163122167433]
  大規模EHRシーケンスからイベントレベルICU表現を学習する自己教師型基礎モデルであるPULSE-ICUを提案する。 統合埋め込みモジュールはイベントアイデンティティ、連続値、ユニット、時間属性をエンコードし、ロングフォーマーベースのエンコーダは長い軌道の効率的なモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-11-27T08:10:52Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Dynamic Perturbation-Adaptive Adversarial Training on Medical Image Classification [9.039586043401972]
  敵の例(AE)は生データと知覚不可能な類似性を示し、ネットワークの堅牢性に対する深刻な懸念を提起した。 本稿では,ATを動的学習環境に配置し,適応型データレベルの摂動を生成する動的摂動適応対向訓練(DPAAT)手法を提案する。 HAM10000データセットの総合的な試験により、DPAATはより堅牢性の向上と一般化保存を達成できただけでなく、平均精度と解釈可能性を大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-11T15:16:20Z)
• XTSFormer: Cross-Temporal-Scale Transformer for Irregular-Time Event Prediction in Clinical Applications [23.946633955844423]
  非安全ケアに関連する副作用は、米国での死因のトップ10に入る。 イベントデータは、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、複数スケールのイベントインタラクション、長いイベントシーケンスに関連する高い計算コストなど、いくつかのユニークな課題を提起する。 本稿では,時間的不規則なイベントデータに特化して設計されたクロステンポラリスケールトランスフォーマー(XTSFormer)を提案する。
  論文  参考訳（メタデータ） (2024-02-03T20:33:39Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• 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)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Robust Regularization with Adversarial Labelling of Perturbed Samples [22.37046166576859]
  本稿では、正規化手法として、ALPS(Adversarial Labelling of Perturbed Samples)を提案する。 ALPSはニューラルネットワークを、それぞれの真正な入力サンプルを、逆向きに割り当てられたラベルとともに、別のものに向かって摂動することによって形成された合成サンプルで訓練する。 SVHN、CIFAR-10、CIFAR-100、Tiny-ImageNetのデータセットによる実験は、ALPSが最先端の正規化性能を持っていることを示している。
  論文  参考訳（メタデータ） (2021-05-28T11:26:49Z)
• Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
  近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。 我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
  論文  参考訳（メタデータ） (2020-10-26T04:44:43Z)

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。