論文の概要: Benchmarking Open-Source PPG Foundation Models for Biological Age Prediction

• arxiv url: http://arxiv.org/abs/2603.14030v1
• Date: Sat, 14 Mar 2026 17:11:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.559718
• Title: Benchmarking Open-Source PPG Foundation Models for Biological Age Prediction
• Title（参考訳）: 生物年代予測のためのオープンソースPSG基盤モデルのベンチマーク
• Authors: N. Brag,
• Abstract要約: 212,231人の英国バイオバンク患者を対象にトレーニングされたタスク固有モデルでは、PSG(AI-vascular Age)から年齢を予測できない。 PPGに基づく生物学的年齢予測において、なぜこれが起こっているのか、また何を意味するのかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A task-specific model trained on 212,231 UK Biobank subjects to predict vascular age from PPG (AI-PPG Age) fails on a different clinical population: predictions collapse to a narrow 38-67 year range regardless of true age. Meanwhile, a general-purpose foundation model with no age-related training objective achieves lower error on the same data. We investigate why this happens and what it means for PPG-based biological age prediction. We evaluate three open-source PPG models (Pulse-PPG, PaPaGei-S, AI-PPG Age) on 906 surgical patients from PulseDB, using frozen embeddings with Ridge regression and 5-fold cross-validation. Pulse-PPG reaches MAE = 9.28 years, beating both AI-PPG Age in linear probe mode (9.72) and HR/HRV combined with demographics (9.59). Adding demographic features brings the best result down to MAE = 8.22 years (R2 = 0.517, r = 0.725). The predicted age gap correlates with diastolic blood pressure after adjusting for chronological age (r = -0.188, p = 1.2e-8), consistent with what Apple reported for their proprietary PpgAge model. The remaining gap with Apple (MAE 2.43) appears driven by dataset size (906 vs 213,593 subjects) and population differences rather than model architecture, as our learning curve shows no plateau. Code is publicly available.
• Abstract（参考訳）: PPG (AI-PPG Age) から血管年齢を予測するために212,231人の英国バイオバンク患者で訓練されたタスク固有モデルでは、実際の年齢に関わらず38-67年の狭い範囲に崩壊する。 一方、年齢関係の訓練目的を持たない汎用基礎モデルでは、同じデータに対して低い誤差が達成される。 PPGに基づく生物学的年齢予測において、なぜこれが起こっているのか、また何を意味するのかを考察する。 Pulse-PPG, PaPaGei-S, AI-PPG Age の3つのオープンソース PPG モデルをPulseDB の906例に対して評価した。 パルスPPGはMAE=9.28年に達し、AI-PPGエイジを線形プローブモード(9.72年)とHR/HRVと人口動態(9.59年)で上回っている。 人口統計学的特徴を加えることで、MAE = 8.22 年(R2 = 0.517, r = 0.725)に最高の結果が得られる。 年齢差の予測は, 年齢調整後の拡張期血圧(r = -0.188, p = 1.2e-8)と相関し, アップル独自のPpgAgeモデルで報告したものと一致した。 Apple(MAE 2.43)との残りのギャップは、データセットのサイズ(906対213,593人)とモデルアーキテクチャよりも人口差によって引き起こされている。 コードは公開されている。

関連論文リスト

• Child Mortality Prediction in Bangladesh: A Decade-Long Validation Study [0.0]
  バングラデシュの2011-2022年の人口統計調査(DHS)データ(n = 33,962)は,本論文で使用される。 モデルを(2011-2014)データでトレーニングし、2017年データで検証し、2022年データでテストしました。 モデルの最初のテストから8年後、遺伝的アルゴリズムをベースとしたNeural Architecture Searchは、XGBoostよりも優れた単層ニューラルネットワークを発見した。
  論文  参考訳（メタデータ） (2026-02-03T19:18:50Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• How Suboptimal is Training rPPG Models with Videos and Targets from Different Body Sites? [40.527994999118725]
  現在のモデルのほとんどは、指先をターゲット/ラベルとして接触PSG測定を用いて、顔ビデオでトレーニングされている。 ニューラルモデルでは,前頭部でトレーニングすると,基底真理PSG信号のモルフォロジーがより良く予測できることが示される。
  論文  参考訳（メタデータ） (2024-03-15T15:20:21Z)
• Community-Based Hierarchical Positive-Unlabeled (PU) Model Fusion for Chronic Disease Prediction [35.76481037888834]
  本稿では,新しい正非ラベル学習木 (PUtree) アルゴリズムを提案する。 PUtreeは、慢性疾患予測のタスクにおいて、年齢や収入のブラケットなどのコミュニティを考慮するように設計されている。 PUtreeの優れた性能と2つのベンチマークと新しい糖尿病予測データセットのバリエーションを示す。
  論文  参考訳（メタデータ） (2023-09-06T22:16:58Z)
• Prostate Age Gap (PAG): An MRI surrogate marker of aging for prostate cancer detection [0.15518894748362708]
  前立腺年齢ギャップ(PAG)は臨床的に有意なPC(csPC)のリスクに大きく関連し、他の確立したPCリスク因子よりも優れていた。
  論文  参考訳（メタデータ） (2023-08-10T05:20:25Z)
• Explaining machine learning models for age classification in human gait analysis [10.570744839131775]
  機械学習モデルではどの入力特徴が年齢による歩行パターンの違いを分類するために使用されるのか? AIST Gait Database 2019のサブセットを用いて,健常者の裸足歩行において,1人あたり5つの地上反応力(GRF)の記録を収録した。 60.1%の平均分類精度は37.3%のゼロルールベースラインよりも明らかに高かった。 混乱行列は,CNNが若年層と高齢層をよく区別するが,中年層をモデル化することは困難であったことを示している。
  論文  参考訳（メタデータ） (2022-10-16T13:53:51Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Mini-DDSM: Mammography-based Automatic Age Estimation [0.4932130498861986]
  年齢推定のためのマンモグラムの研究は、私たちが知る限り、行われていない。 年齢属性を持つ公共マンモグラフィーデータセットが不足しているため、ウェブクローラを用いてサムネイルマンモグラフィー画像とその年齢フィールドをパブリックデータセットであるデジタル・データベース・フォー・スクリーニング・マンモグラフィーからダウンロードする。 その後、収集したデータセットから深層学習の特徴を抽出し、ランダムフォレスト回帰器を用いて年齢を自動的に推定するモデルを構築した。
  論文  参考訳（メタデータ） (2020-10-01T15:35:11Z)

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。