論文の概要: Frailty Estimation in Elderly Oncology Patients Using Multimodal Wearable Data and Multi-Instance Learning

• arxiv url: http://arxiv.org/abs/2604.06985v1
• Date: Wed, 08 Apr 2026 12:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.503969
• Title: Frailty Estimation in Elderly Oncology Patients Using Multimodal Wearable Data and Multi-Instance Learning
• Title（参考訳）: 高齢腫瘍患者におけるマルチモーダルウェアラブルデータとマルチインスタンス学習を用いた欠陥推定
• Authors: Ioannis Kyprakis, Vasileios Skaramagkas, Georgia Karanasiou, Lampros Lakkas, Andri Papakonstantinou, Domen Ribnikar, Kalliopi Keramida, Dorothea Tsekoura, Ketti Mazzocco, Anastasia Constantinidou, Konstantinos Marias, Dimitrios I. Fotiadis, Manolis Tsiknakis,
• Abstract要約: 高齢者乳癌患者における訪問者間の機能的変化を推定するためのマルチモーダル・ウェアラブル・フレームワークを提案する。 私たちのイノベーションは、注意に基づくマルチインスタンス学習(MIL)の定式化であり、現実世界の欠如と監督の弱さの下で不規則でマルチモーダルなウェアラブルインスタンスを融合させます。
• 参考スコア（独自算出の注目度）: 1.226215564499691
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frailty and functional decline strongly influence treatment tolerance and outcomes in older patients with cancer, yet assessment is typically limited to infrequent clinic visits. We propose a multimodal wearable framework to estimate frailty-related functional change between visits in elderly breast cancer patients enrolled in the multicenter CARDIOCARE study. Free-living smartwatch physical activity and sleep features are combined with ECG-derived heart rate variability (HRV) features from a chest strap and organized into patient-horizon bags aligned to month 3 (M3) and month 6 (M6) follow-ups. Our innovation is an attention-based multiple instance learning (MIL) formulation that fuses irregular, multimodal wearable instances under real-world missingness and weak supervision. An attention-based MIL model with modality-specific multilayer perceptron (MLP) encoders with embedding dimension 128 aggregates variable-length and partially missing longitudinal instances to predict discretized change-from-baseline classes (worsened, stable, improved) for FACIT-F and handgrip strength. Under subject-independent leave-one-subject-out (LOSO) evaluation, the full multimodal model achieved balanced accuracy/F1 of 0.68 +/- 0.08/0.67 +/- 0.09 at M3 and 0.70 +/- 0.10/0.69 +/- 0.08 at M6 for handgrip, and 0.59 +/- 0.04/0.58 +/- 0.06 at M3 and 0.64 +/- 0.05/0.63 +/- 0.07 at M6 for FACIT-F. Ablation results indicated that smartwatch activity and sleep provide the strongest predictive information for frailty-related functional changes, while HRV contributes complementary information when fused with smartwatch streams.
• Abstract（参考訳）: 高齢者がんに対する治療寛容と治療成績に強い影響が認められたが, 頻度の低い診療所の診察に限られる。 本研究は, 高齢者乳癌患者の来院者間の機能的変化を評価するためのマルチモーダル・ウェアラブル・フレームワークを提案する。 自由生活型スマートウォッチの身体活動と睡眠機能は、心電図由来の心拍変動(HRV)機能と組み合わされ、月3(M3)と月6(M6)のフォローアップに合わせた患者のホライゾンバッグに整理される。 私たちのイノベーションは、注意に基づくマルチインスタンス学習(MIL)の定式化であり、現実世界の欠如と監督の弱さの下で不規則でマルチモーダルなウェアラブルインスタンスを融合させます。 組込み次元128の多層パーセプトロン(MLP)エンコーダを用いた注目型MILモデルは,FACIT-Fとハンドグリップ強度に対して,可変長および部分欠落した長手インスタンスを集約し,ベースラインクラスからの離散化(強調,安定,改善)を予測する。 完全マルチモーダルモデルでは、M3では0.68 +/- 0.08/0.67 +/- 0.09、ハンドグリップでは0.70 +/- 0.10/0.69 +/- 0.08、M3では0.59 +/- 0.04/0.58 +/- 0.06、FACIT-Fでは0.64 +/- 0.05/0.63 +/- 0.07のバランス精度が得られた。 アブレーションの結果,スマートウォッチのアクティビティと睡眠は,スマートウォッチストリームと融合した場合に相補的な情報を寄与する一方,脆弱な機能変化に対して最も強い予測情報を提供することがわかった。

関連論文リスト

• Stress Estimation in Elderly Oncology Patients Using Visual Wearable Representations and Multi-Instance Learning [1.226215564499691]
  高齢者・多施設乳がんコホートにおけるストレスをマルチモーダルウェアラブルデータを用いて推定した。 1つのPerceived Stress Scale (PSS)スコアは多くのラベルのないウィンドウに対応している。 軽量な事前訓練された実験用バックボーンは、各表現を192次元ベクトルに埋め込み、注意に基づく多重インスタンス学習を通じて集約する。
  論文  参考訳（メタデータ） (2026-04-08T12:06:21Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• A Sparse-Attention Deep Learning Model Integrating Heterogeneous Multimodal Features for Parkinson's Disease Severity Profiling [4.813020904720317]
  Class-Weighted Sparse-Attention Fusion Network (SAFN)は、堅牢なマルチモーダルプロファイリングのための解釈可能なディープラーニングフレームワークである。 SAFNは、MRI皮質厚み、MRI体積測定、臨床評価、人口統計学変数を統合している。 精度は0.98プラスまたは0.02、PR-AUCは1.00プラスまたは0.00で、確立された機械学習およびディープラーニングベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-01-02T00:51:21Z)
• Multimodal Functional Maximum Correlation for Emotion Recognition [41.64451298000105]
  感情状態は、中央システムと自律システムにまたがって協調しているが不均一な生理的反応として表される。 我々は,高次マルチモーダル依存を最大化するために,MFMC(Multimodal Functional Maximum correlation)を提案する。 MFMCは、主題に依存しない評価プロトコルと対象に依存しない評価プロトコルの両方の下で、一貫して最先端または競争力を持つ。
  論文  参考訳（メタデータ） (2025-12-28T20:48:02Z)
• 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)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+ Breast Cancer Through Multifeature and Multimodal Data Fusion [16.83901927767791]
  画像から得られる特徴を遺伝的・臨床的データと融合して全体像を得る深層学習フレームワークであるBioFusionNetを提案する。 本モデルでは, 平均一致率0.77, 曲線0.84の時間依存領域を達成し, 最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-02-16T14:19:33Z)
• COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
  新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。 我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
  論文  参考訳（メタデータ） (2020-12-10T08:30:46Z)

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。