論文の概要: The Gait Signature of Frailty: Transfer Learning based Deep Gait Models for Scalable Frailty Assessment

• arxiv url: http://arxiv.org/abs/2603.24434v1
• Date: Wed, 25 Mar 2026 15:44:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.369351
• Title: The Gait Signature of Frailty: Transfer Learning based Deep Gait Models for Scalable Frailty Assessment
• Title（参考訳）: フラッティーの歩行信号:スケーラブルなフラッティー評価のための伝達学習に基づく深層歩行モデル
• Authors: Laura McDaniel, Basudha Pal, Crystal Szczesny, Yuxiang Guo, Ryan Roemmich, Peter Abadir, Rama Chellappa,
• Abstract要約: 臨床的に現実的な設定で収集したシルエットベースの脆弱な歩行データセットを公開して紹介する。 我々は,限られたデータ条件下で,事前学習した歩行認識モデルが脆弱な分類にどのように適応できるかを評価する。
• 参考スコア（独自算出の注目度）: 22.972032402190873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frailty is a condition in aging medicine characterized by diminished physiological reserve and increased vulnerability to stressors. However, frailty assessment remains subjective, heterogeneous, and difficult to scale in clinical practice. Gait is a sensitive marker of biological aging, capturing multisystem decline before overt disability. Yet the application of modern computer vision to gait-based frailty assessment has been limited by small, imbalanced datasets and a lack of clinically representative benchmarks. In this work, we introduce a publicly available silhouette-based frailty gait dataset collected in a clinically realistic setting, spanning the full frailty spectrum and including older adults who use walking aids. Using this dataset, we evaluate how pretrained gait recognition models can be adapted for frailty classification under limited data conditions. We study both convolutional and hybrid attention-based architectures and show that predictive performance depends primarily on how pretrained representations are transferred rather than architectural complexity alone. Across models, selectively freezing low-level gait representations while allowing higher-level features to adapt yields more stable and generalizable performance than either full fine-tuning or rigid freezing. Conservative handling of class imbalance further improves training stability, and combining complementary learning objectives enhances discrimination between clinically adjacent frailty states. Interpretability analyses reveal consistent model attention to lower-limb and pelvic regions, aligning with established biomechanical correlates of frailty. Together, these findings establish gait-based representation learning as a scalable, non-invasive, and interpretable framework for frailty assessment and support the integration of modern biometric modeling approaches into aging research and clinical practice.
• Abstract（参考訳）: 疲労は、生理的予備力の低下とストレスに対する脆弱性の増加を特徴とする老化医学の病態である。 しかし, 重度評価は主観的であり, 異質であり, 臨床では拡張が困難である。 歩行は生物学的老化の敏感なマーカーであり、過度な障害の前に多系統の低下を捉えている。 しかし、歩行に基づく不安定性評価への現代のコンピュータビジョンの適用は、小さな、不均衡なデータセットと臨床に代表されるベンチマークの欠如によって制限されてきた。 本研究は,歩行補助具を使用中の高齢者を含む全周波数帯にまたがって,臨床的に現実的な状況下で収集されたシルエットベースのフレアティ・ゲイト・データセットについて紹介する。 このデータセットを用いて、限られたデータ条件下での脆弱な分類に事前学習した歩行認識モデルをどのように適用できるかを評価する。 コンボリューションとハイブリットアテンションに基づくアーキテクチャについて検討し、予測性能は、アーキテクチャの複雑さのみではなく、事前訓練された表現がどのように転送されるかに大きく依存していることを示す。 モデル全体では、低レベルの歩行表現を選択的に凍結し、高レベルの特徴を適応させることで、完全な微調整や剛性凍結よりも安定で一般化可能な性能が得られる。 授業不均衡の保守的扱いはトレーニングの安定性をさらに向上させ、相補的な学習目的を組み合わせることで、臨床的に隣接する欠陥状態の識別が促進される。 解釈可能性分析により,下肢および骨盤領域に一貫したモデル注意が示され,その生体力学的相関関係が確立された。 これらの知見は, 歩行に基づく表現学習を, 拡張性, 非侵襲性, 解釈可能な枠組みとして確立し, 近代バイオメトリックモデリングアプローチの高齢化研究と臨床実践への統合を支援する。

関連論文リスト

• Mitigating Shortcut Learning via Feature Disentanglement in Medical Imaging: A Benchmark Study [6.364545942101905]
  機能障害はショートカット学習を緩和するための有望なアプローチである。 ショートカット緩和法は, 強い相関関係下での分類性能を向上した。 最高のパフォーマンスモデルは、データ中心のリバランシングとモデル中心のアンタングルメントを組み合わせる。
  論文  参考訳（メタデータ） (2026-02-17T10:51:58Z)
• Clinical-Prior Guided Multi-Modal Learning with Latent Attention Pooling for Gait-Based Scoliosis Screening [8.010714901985898]
  思春期特発性強皮症(AIS)は,早期発見により進行を緩和できる脊髄変形である。 現在のスクリーニング手法は主観的であり、スケールが難しく、専門的な専門知識に依存している。 ビデオベースの歩行分析は、有望な代替手段を提供するが、現在のデータセットとメソッドは、しばしばデータ漏洩に悩まされる。 ScoliGaitは、トレーニング用の1,572の歩行ビデオクリップと、テスト用の300の完全に独立したクリップからなる、新しいベンチマークデータセットである。
  論文  参考訳（メタデータ） (2026-02-06T14:44:22Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• From Classification to Cross-Modal Understanding: Leveraging Vision-Language Models for Fine-Grained Renal Pathology [9.268389327736735]
  臨床的に現実的な数ショット問題として,細粒度糸球体サブタイプをモデル化した。 この条件下では、病理特化モデルと汎用視覚言語モデルの両方を評価する。
  論文  参考訳（メタデータ） (2025-11-15T01:44:11Z)
• Generalizable automated ischaemic stroke lesion segmentation with vision transformers [0.7400397057238803]
  拡散強調画像(DWI)は虚血性脳梗塞において最も高い発現率を示す。 したがって、現在のU-Netベースのモデルは、不適切な評価指標によってアクセント付けられる問題として、性能が劣っている。 本稿ではこれらの課題に対処する高性能なDWI病変分割ツールを提案する。
  論文  参考訳（メタデータ） (2025-02-10T19:00:00Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Contrastive learning for unsupervised medical image clustering and reconstruction [0.23624125155742057]
  本稿では,非教師なしのオートエンコーダフレームワークを提案する。 提案手法は教師付きアーキテクチャと同じような性能を達成し,潜伏空間における分離が専門家の医療観察者指定ラベルを再現することを示す。
  論文  参考訳（メタデータ） (2022-09-24T13:17:02Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection [58.984536305767996]
  自動椎骨骨折検出のための表現学習型アプローチを提案する。 本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。 一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
  論文  参考訳（メタデータ） (2020-08-18T10:03:45Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。