論文の概要: Robust and Clinically Reliable EEG Biomarkers: A Cross Population Framework for Generalizable Parkinson's Disease Detection

• arxiv url: http://arxiv.org/abs/2604.23933v1
• Date: Mon, 27 Apr 2026 01:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.683586
• Title: Robust and Clinically Reliable EEG Biomarkers: A Cross Population Framework for Generalizable Parkinson's Disease Detection
• Title（参考訳）: ロバストで信頼性の高い脳波バイオマーカー : 一般化可能なパーキンソン病検出のためのクロスポピュレーションフレームワーク
• Authors: Nicholas R. Rasmussen, Longwei Wang, Rodrigue Rizk, Md Rezwanul Akter Pallab, Samuel Stuwart, Martina Mancini, Arun Singh, KC Santosh,
• Abstract要約: 本研究では,脳波バイオマーカーの分布変化によるロバスト性および臨床信頼性を評価するために,人口意識評価フレームワークを提案する。 我々は、5つの独立したコホートにまたがる全集団試験構成を列挙し、75の方向評価を行った。 その結果,クロス人口移動は非対称であり,精度とバイオマーカーの安定性はトレーニング個体数の多様性の増大とともに向上することがわかった。
• 参考スコア（独自算出の注目度）: 2.0544337337195837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing robust and clinically reliable EEG biomarkers requires evaluation frameworks that explicitly address cross population generalization in multi site settings such as Parkinsons disease (PD) detection. Models trained under i.i.d. assumptions often capture population specific artifacts rather than disease relevant neural structure, leading to poor generalization across clinical cohorts. EEG further amplifies this challenge due to low signal to noise ratio and heterogeneous acquisition conditions. We propose a population aware evaluation framework to assess the robustness and clinical reliability of EEG biomarkers under distribution shift. Using an n gram expansion strategy, we enumerate all cross population train test configurations across five independent cohorts, resulting in 75 directional evaluations. A nested cross validation design with integrated channel selection ensures prospective biomarker identification without population leakage. Results show that cross population transfer is asymmetric and that both accuracy and biomarker stability improve with increasing training population diversity, achieving up to 94.1% accuracy on held out cohorts. A theoretical analysis based on mixture risk optimization and hypothesis space contraction explains these trends, showing that multi population training promotes population robust representations. This work establishes a principled framework for learning robust, generalizable, and clinically reliable EEG biomarkers for multi site biomedical applications.
• Abstract（参考訳）: 堅牢で臨床的に信頼性の高い脳波バイオマーカーの開発には、パーキンソン病(PD)検出などの多地点でのクロス集団の一般化に明示的に対処する評価フレームワークが必要である。 i.d. 仮定の下で訓練されたモデルは、しばしば疾患に関連する神経構造よりも集団固有の人工物をキャプチャし、臨床コホート全体の一般化が不十分になる。 EEGは、低信号対雑音比と不均一な取得条件のために、この課題をさらに増幅する。 本研究では,脳波バイオマーカーの分布変化によるロバスト性および臨床信頼性を評価するために,人口意識評価フレームワークを提案する。 n グラムの拡張戦略を用いて、5つの独立したコホートにまたがる全集団試験構成を列挙し、75の方向評価を行った。 チャネル選択を組み込んだネスト型クロスバリデーション設計により,集団漏洩を伴わない生体マーカーの同定が可能となる。 その結果、交差人口移動は非対称であり、トレーニング人口の多様性を高めることにより、精度とバイオマーカーの安定性が向上し、保持されたコホートに対する94.1%の精度が達成された。 混合リスク最適化と仮説空間収縮に基づく理論的解析によりこれらの傾向が説明され、多集団訓練が人口の頑健な表現を促進することが示されている。 本研究は、多施設バイオメディカル応用のための、堅牢で、一般化可能で、臨床に信頼性の高い脳波バイオマーカーを学習するための原則的枠組みを確立する。

関連論文リスト

• Causal and Federated Multimodal Learning for Cardiovascular Risk Prediction under Heterogeneous Populations [0.0]
  我々は、クロスモーダルトランスフォーマーとグラフニューラルネットワークを統合した単一のマルチモーダル学習フレームワークを作成し、因果表現学習を行い、パーソナライズされたCVDリスクを測定する。 このモデルは、ゲノム変異、心臓MRI、心電図波形、ウェアラブルストリーム、構造化ERHデータを組み合わせてリスクを予測する。 本研究は,CVD予測に対する臨床的信頼度,解釈性,プライバシへの原則的アプローチの道を開くものである。
  論文  参考訳（メタデータ） (2026-01-05T14:32:49Z)
• A Weakly Supervised Transformer for Rare Disease Diagnosis and Subphenotyping from EHRs with Pulmonary Case Studies [28.253741893497136]
  WEST(Wakly Supervised Transformer for rare disease phenotyping and subphenotyping from EHRs)を提案する。 ボストン小児病院のEHRデータを用いて2つの稀な肺疾患についてWESTを評価し, 表現型分類, 臨床的に有意な亜フェノタイプ同定, 疾患進行の予測において, 既存の方法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-07-01T23:11:20Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Assessing Surrogate Heterogeneity in Real World Data Using Meta-Learners [0.0]
  本研究では,実世界の非ランダム化データにおける代理的不均一性を評価する枠組みを提案する。 提案手法により, 患者特性に対するサロゲート強度の不均一性を定量化することができる。 我々のフレームワークは、サロゲートが一次結果の有効な置き換えである個人を特定するのに使われます。
  論文  参考訳（メタデータ） (2025-04-21T18:54:48Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• scBeacon: single-cell biomarker extraction via identifying paired cell clusters across biological conditions with contrastive siamese networks [0.9591674293850556]
  scBeaconは、深いコントラストのあるシアムネットワーク上に構築されたフレームワークである。 scBeaconは、様々な条件で一致した細胞集団を特定します。 包括的な評価は、既存の単細胞差分遺伝子解析ツールよりも scBeacon の方が優れていることを検証する。
  論文  参考訳（メタデータ） (2023-11-05T08:27:24Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。