論文の概要: Sonata: A Hybrid World Model for Inertial Kinematics under Clinical Data Scarcity
- arxiv url: http://arxiv.org/abs/2604.18058v1
- Date: Mon, 20 Apr 2026 10:26:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.808802
- Title: Sonata: A Hybrid World Model for Inertial Kinematics under Clinical Data Scarcity
- Title（参考訳）: ソナタ : 臨床データにおける慣性運動学のハイブリッド世界モデル
- Authors: Blaise Delaney, Salil Patel, Yuji Xing, Dominic Dootson, Karin Sevegnani,
- Abstract要約: ソナタは臨床データ不足下での6軸幹IMU表現学習のための小型潜在世界モデルである。
3.77Mパラメーターで、デバイス上のウェアラブル推論と互換性があり、神経学的評価のための一般的なキネマティック世界モデルへのステップを提供する。
- 参考スコア（独自算出の注目度）: 0.32622301272834514
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Sonata, a compact latent world model for six-axis trunk IMU representation learning under clinical data scarcity. Clinical cohorts typically comprise tens to hundreds of patients, making web-scale masked-reconstruction objectives poorly matched to the problem. Sonata is a 3.77 M-parameter hybrid model, pre-trained on a harmonised corpus of nine public datasets (739 subjects, 190k windows) with a latent world-model objective that predicts future state rather than reconstructing raw sensor traces. In a controlled comparison against a matched autoregressive forecasting baseline (MAE) on the same backbone, Sonata yields consistently stronger frozen-probe clinical discrimination, prospective fall-risk prediction, and cross-cohort transfer across a 14-arm evaluation suite, while producing higher-rank, more structured latent representations. At 3.77 M parameters the model is compatible with on-device wearable inference, offering a step toward general kinematic world models for neurological assessment.
- Abstract（参考訳）: 臨床データ不足下での6軸幹IMU表現学習のための小型潜在世界モデルであるSoonataを紹介する。
臨床コホートは通常、数十から数百人の患者で構成されており、ウェブスケールのマスク・リコンストラクションの目的が問題とよく一致していない。
ソナタは3.77Mパラメータハイブリッドモデルであり、9つの公開データセット(739の被験者、190kの窓)の調和したコーパスで事前訓練されており、生のセンサー跡を再構築するのではなく、将来の状態を予測している。
同じバックボーン上の一致した自己回帰予測ベースライン(MAE)との比較において、ソナタは、より高ランクでより構造化された潜在表現を生産しながら、14腕評価スイートを横断する、凍えやすい臨床差別、予測的な転倒予測、クロスコホート転送を一貫して獲得する。
3.77Mパラメーターで、デバイス上のウェアラブル推論と互換性があり、神経学的評価のための一般的なキネマティック世界モデルへのステップを提供する。
関連論文リスト
- Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis [0.21111026813272174]
本稿では,瞬時血行動態予測とパラメータ推定が可能な機械学習モデル(ML)を訓練するための体系的枠組みを提案する。
Asklepiosの大規模臨床データセットで観測された多変量相関に基づいて,まずパラメトリックな仮想コホートを作成した。
次に、患者固有の動脈圧と心臓出力(CO)を予測するディープ・ニューラル・サロゲートモデルを訓練し、入力パラメータの高速なアプリオリスクリーニングを可能にする。
論文 参考訳（メタデータ） (2026-04-03T17:15:34Z) - MOOZY: A Patient-First Foundation Model for Computational Pathology [17.47449462562058]
コンピュータ病理学には、様々な臨床課題にまたがる全体スライド画像(WSI)基盤モデルが必要である。
患者中心の病態基盤モデルであるMOOZYについて述べる。
論文 参考訳（メタデータ） (2026-03-27T23:33:33Z) - 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) - The Patient is not a Moving Document: A World Model Training Paradigm for Longitudinal EHR [3.9541492005870604]
SMB構造(SMB-Structure)は、次世代予測(SFT)と共同埋め込み予測アーキテクチャ(JEPA)を基盤とした構造化EHRの世界モデルである。
メモリアル・スローン・ケタリング(23,319人,323,000人以上)とINSPECT(19,402人)の2つの大規模コホートで検証を行った。
論文 参考訳（メタデータ） (2026-01-29T18:49:37Z) - Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。
症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。
臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-20T01:58:45Z) - Predicting Parkinson's Disease Progression Using Statistical and Neural Mixed Effects Models: A Comparative Study on Longitudinal Biomarkers [7.953527165578974]
パーキンソン病(PD)の進行を予測することは重要であり、音声バイオマーカーは遠隔監視を通じて症状の重症度(UPDRS)を追跡する非侵襲的な方法を提供する。
本研究は2つの先進ハイブリッドアプローチに対してLMMをベンチマークする。
PDRS予測におけるこれらのモデルの性能を評価し,PD研究と臨床応用の実践的ガイダンスを提供する。
論文 参考訳（メタデータ） (2025-07-26T20:56:32Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-11-01T14:12:58Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z)
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。