論文の概要: Stress Estimation in Elderly Oncology Patients Using Visual Wearable Representations and Multi-Instance Learning

• arxiv url: http://arxiv.org/abs/2604.06990v1
• Date: Wed, 08 Apr 2026 12:06:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.507741
• Title: Stress Estimation in Elderly Oncology Patients Using Visual Wearable Representations and Multi-Instance Learning
• Title（参考訳）: 視覚的ウェアラブル表現とマルチインスタンス学習を用いた高齢者腫瘍患者のストレス推定
• Authors: Ioannis Kyprakis, Vasileios Skaramagkas, Georgia Karanasiou, Vasilis Bouratzis, Andri Papakonstantinou, Dimitar Stefanovski, Kalliopi Keramida, Aristofania Simatou, Ketti Mazzocco, Anastasia Constantinidou, Konstantinos Marias, Dimitrios I. Fotiadis, Manolis Tsiknakis,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.226215564499691
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Psychological stress is clinically relevant in cardio-oncology, yet it is typically assessed only through patient-reported outcome measures (PROMs) and is rarely integrated into continuous cardiotoxicity surveillance. We estimate perceived stress in an elderly, multicenter breast cancer cohort (CARDIOCARE) using multimodal wearable data from a smartwatch (physical activity and sleep) and a chest-worn ECG sensor. Wearable streams are transformed into heterogeneous visual representations, yielding a weakly supervised setting in which a single Perceived Stress Scale (PSS) score corresponds to many unlabeled windows. A lightweight pretrained mixture-of-experts backbone (Tiny-BioMoE) embeds each representation into 192-dimensional vectors, which are aggregated via attention-based multiple instance learning (MIL) to predict PSS at month 3 (M3) and month 6 (M6). Under leave-one-subject-out (LOSO) evaluation, predictions showed moderate agreement with questionnaire scores (M3: R^2=0.24, Pearson r=0.42, Spearman rho=0.48; M6: R^2=0.28, Pearson r=0.49, Spearman rho=0.52), with global RMSE/MAE of 6.62/6.07 at M3 and 6.13/5.54 at M6.
• Abstract（参考訳）: 心理的ストレスは臨床的には心臓腫瘍学に関係があるが、通常は患者報告された結果測定(PROM)によってのみ評価され、連続的な心臓毒性監視に統合されることは稀である。 高齢者・多施設乳がんコホート(CARDIOCARE)におけるストレスをスマートウォッチ(身体活動と睡眠)と胸部心電図センサを用いて評価した。 ウェアラブルストリームはヘテロジニアスな視覚表現に変換され、単一の知覚的ストレス尺度(PSS)スコアが多くのラベルのないウィンドウに対応する弱制御された設定が得られる。 Tiny-BioMoE (Tiny-BioMoE) は、各表現を192次元ベクトルに埋め込んで、注意ベースの多重インスタンス学習(MIL)を通して集約し、月3(M3)と月6(M6)でPSSを予測する。 LOSO (Left-one-subject-out) 評価では, 質問票スコア (M3: R^2=0.24, Pearson r=0.42, Spearman rho=0.48; M6: R^2=0.28, Pearson r=0.49, Spearman rho=0.52) と適度な一致を示した。

関連論文リスト

• Frailty Estimation in Elderly Oncology Patients Using Multimodal Wearable Data and Multi-Instance Learning [1.226215564499691]
  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。
  論文  参考訳（メタデータ） (2026-04-08T12:00:40Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• BAAI Cardiac Agent: An intelligent multimodal agent for automated reasoning and diagnosis of cardiovascular diseases from cardiac magnetic resonance imaging [38.86018893974869]
  本稿では、エンド・ツー・エンドの心臓磁気共鳴(CMR)の解釈を目的としたマルチモーダル・インテリジェント・システムであるBAAI Cardiac Agentを提案する。 この薬剤は、専門的な心臓専門家モデルを統合し、心臓構造の自動セグメンテーション、機能的定量化、組織の特徴、および疾患の診断を行う。 本システムでは, 退行率, 脳卒中容積, 左室量などのコアパラメータについて, 臨床報告と極めて一致している。
  論文  参考訳（メタデータ） (2026-04-05T11:52:46Z)
• Deformable Image Registration for Self-supervised Cardiac Phase Detection in Multi-View Multi-Disease Cardiac Magnetic Resonance Images [0.613184366698301]
  個々の心周期は、自動時相比較またはサブフェーズ分析を複雑にする。 心臓磁気共鳴(CMR)検出のための自己教師型深層学習法を提案する。 EDおよびESでは,SAXでは30%～51%,4CHでは11%～47%の精度で検出精度が向上した。
  論文  参考訳（メタデータ） (2025-10-07T11:40:17Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• MultiFlow: A unified deep learning framework for multi-vessel classification, segmentation and clustering of phase-contrast MRI validated on a multi-site single ventricle patient cohort [0.48182159227299687]
  MultiFlowSegは、左右の肺動脈、大動脈、上大静脈、下大静脈の5つの主要な血管を同時に分類し、分割する。 セグメンテーションが成功したときの流れ曲線はMultiFlowDTCの訓練に使われ、これは異なる流れの表現型を特定するために深部時間クラスタリングを適用した。
  論文  参考訳（メタデータ） (2025-02-17T16:33:59Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Model-driven Heart Rate Estimation and Heart Murmur Detection based on Phonocardiogram [4.5546756241897235]
  本研究は, 心電図(PCG)データセットを用いて心拍数を推定する。 マルチタスク学習フレームワークにベストパフォーマンスモデルを拡張し、心拍数推定と大腿骨骨折検出を同時に行う。
  論文  参考訳（メタデータ） (2024-07-25T22:56:21Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。