論文の概要: An unsupervised decision-support framework for multivariate biomarker analysis in athlete monitoring

• arxiv url: http://arxiv.org/abs/2604.14534v1
• Date: Thu, 16 Apr 2026 01:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.679251
• Title: An unsupervised decision-support framework for multivariate biomarker analysis in athlete monitoring
• Title（参考訳）: スポーツ選手モニタリングにおける多変量バイオマーカー分析のための教師なし意思決定支援フレームワーク
• Abstract要約: スポーツ選手のモニタリングは、小さなコホート、異質なバイオマーカースケール、反復サンプリングの実現可能性の制限、信頼性のある損傷基盤の真実の欠如によって制限されている。 本研究は,実データを用いたスポーツ選手の潜伏生理状態を特定するために,教師なし多変量フレームワークを提案することで,これらの課題に対処する。 本稿では,共同バイオマーカー空間で動作するモジュール型計算フレームワークを提案し,前処理,臨床安全スクリーニング,非教師なしクラスタリング,およびセントロイドに基づく生理学的解釈を統合する。
• 参考スコア（独自算出の注目度）: 37.43688754886933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose. Athlete monitoring is constrained by small cohorts, heterogeneous biomarker scales, limited feasibility of repeated sampling, and the lack of reliable injury ground truth. These limitations reduce the interpretability and utility of traditional univariate and binary risk models. This study addresses these challenges by proposing an unsupervised multivariate framework to identify latent physiological states in athletes using real data. Methods. We propose a modular computational framework that operates in the joint biomarker space, integrating preprocessing, clinical safety screening, unsupervised clustering, and centroid-based physiological interpretation. Profiles are learned exclusively from amateur soccer players during a competitive microcycle. Synthetic data augmentation evaluates robustness and scalability. Ward hierarchical clustering supports monitoring and etiological differentiation, while Gaussian Mixture Models (GMM) enable structural stability analysis in high-dimensional settings. Results. The framework identifies coherent profiles that distinguish mechanical damage from metabolic stress while preserving homeostatic states. Synthetic data augmentation demonstrates feasibility and detection of latent silent risk phenotypes typically missed by univariate monitoring. Structural analyses indicate robustness under augmentation and higher-dimensional settings. Conclusion. The framework enables interpretable identification of latent physiological states from multivariate biomarker data without injury labels. By distinguishing mechanisms and revealing silent risk patterns not captured by conventional monitoring, it provides actionable insights for individualized athlete monitoring and decision making.
• Abstract（参考訳）: 目的。 スポーツ選手のモニタリングは、小さなコホート、異質なバイオマーカースケール、反復サンプリングの実現可能性の制限、信頼性のある損傷基盤の真実の欠如によって制限されている。 これらの制限は、従来の単変量モデルと二分リスクモデルの解釈可能性と実用性を低下させる。 本研究は,実データを用いたスポーツ選手の潜伏生理状態を特定するために,教師なし多変量フレームワークを提案することにより,これらの課題に対処する。 メソッド。 本稿では,共同バイオマーカー空間で動作するモジュール型計算フレームワークを提案し,前処理,臨床安全スクリーニング,非教師なしクラスタリング,およびセントロイドに基づく生理学的解釈を統合する。 プロファイルは、競争力のあるマイクロサイクルでアマチュアサッカー選手からのみ学習される。 合成データ拡張は堅牢性とスケーラビリティを評価する。 ウォード階層クラスタリングはモニタリングと階層的微分をサポートし、ガウス混合モデル(GMM)は高次元環境における構造安定性解析を可能にする。 結果。 このフレームワークは、恒常状態を維持しながら代謝ストレスと機械的損傷を区別するコヒーレントプロファイルを識別する。 合成データ拡張は、通常単変量モニタリングによって欠落する潜在性無声リスク表現型の実現可能性と検出を示す。 構造解析は、強化および高次元設定下での堅牢性を示す。 結論。 本フレームワークは、損傷ラベルのない多変量バイオマーカーデータから潜伏生理状態の解釈可能な同定を可能にする。 従来の監視によって捉えられていないメカニズムを識別し、サイレントリスクパターンを明らかにすることで、個人化されたアスリートの監視と意思決定に実用的な洞察を提供する。

関連論文リスト

• A Deep Latent Variable Framework for Jointly Modeling Missingness, Measurement Error, and Heterogeneity [1.2716195762843876]
  本稿では, 欠落データ, 測定誤差, 集団の不均一性を両立する統一確率的枠組みを提案する。 提案手法は,新しい階層型木抽出変分オートエンコーダとパターン認識型潜在表現とキャリブレーションに基づく復調処理を統合した。 このフレームワークは、MCAR、MAR、MNARなどの欠落データメカニズムに対応し、サブグループ固有の、グローバルに共有される潜在構造を同時に学習する。
  論文  参考訳（メタデータ） (2026-08-30T20:56:57Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Biologically Informed Deep Neural Networks for Multi-Omic Integration, Pathway Activity Inference and Risk Stratification in Cancer [8.562236981868866]
  既存のアプローチは、しばしばモデル解釈可能性と表現能力のトレードオフに直面します。 経路インフォームドアーキテクチャによる事前知識を組み込んだマルチオミクス設定のためのパスウェイアクティビティオートエンコーダについて報告する。 本フレームワークは乳癌の文脈で適用され,生存予測とサブタイプ分類で評価された。
  論文  参考訳（メタデータ） (2026-07-06T16:47:18Z)
• RetiSEM: Generalising Causal Models for Fragmented Biomedical Data [18.644793391628234]
  RetiSEMは、限られたマルチモーダルリソース下での因果グラフの回復と仲介分析のためのフレームワークである。 我々はRetiSEMを,次元,非線形性,因果深さ,経路構造に異なる10のベンチマークシナリオで評価した。 実データ解析では、網膜変数は主に下流のバイオマーカーのような指標として振る舞うが、より小さいが検出可能な間接効果を持つ。
  論文  参考訳（メタデータ） (2026-06-23T12:20:17Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Deconstructing Intraocular Pressure: A Non-invasive Multi-Stage Probabilistic Inverse Framework [0.0]
  緑内障は眼圧上昇(IOP)による可逆性失明の主因である 非侵襲的に測定不能な変数をスパースなルーチンデータから推定するフレームワークを開発する。 本フレームワークは, 直接物理機器に匹敵する精度で, 最先端のトノグラフィーと良好な一致を実現している。
  論文  参考訳（メタデータ） (2025-09-17T16:50:23Z)
• An Interpretable Ensemble Framework for Multi-Omics Dementia Biomarker Discovery Under HDLSS Conditions [0.0]
  本稿では、グラフ注意ネットワーク(GAT)、マルチOmics Variational AutoEncoder(MOVE)、Elastic-net sparse regression、Storey's False Discovery Rate(FDR)を組み合わせた新しいアンサンブル手法を提案する。 シミュレーションされたマルチオミクスデータとアルツハイマー病神経画像イニシアチブ(ADNI)データセットを用いて評価を行った。 本手法は, 優れた予測精度, 特徴選択精度, 生物学的妥当性を示す。
  論文  参考訳（メタデータ） (2025-09-04T15:20:13Z)
• Bayesian Hybrid Machine Learning of Gallstone Risk [0.0]
  ギャルストーン病(Gallstone disease)は、世界的な健康上の重荷を負う複雑な多因子疾患である。 本稿では,ロバストな変数選択と高度な相互作用検出を統合したハイブリッド機械学習フレームワークを提案する。 この枠組みは, 予測を向上するだけでなく, 医療研究や意思決定に有用な支援ツールとして, 実用的な洞察も得られる。
  論文  参考訳（メタデータ） (2025-06-17T14:19:02Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Unsupervised Model Diagnosis [49.36194740479798]
  本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。 提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
  論文  参考訳（メタデータ） (2024-10-08T17:59:03Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Embracing assay heterogeneity with neural processes for markedly improved bioactivity predictions [0.276240219662896]
  リガンドの生物活性を予測することは、コンピュータ支援薬物発見において最も困難かつ最も重要な課題の1つである。 長年のデータ収集とキュレーションの努力にもかかわらず、生物活性データは希少で不均一である。 異種アッセイ間の情報シナジーを利用した階層型メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T16:26:58Z)

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。