論文の概要: PRISM-CTG: A Foundation Model for Cardiotocography Analysis with Multi-View SSL

• arxiv url: http://arxiv.org/abs/2605.02917v1
• Date: Thu, 09 Apr 2026 10:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.52172
• Title: PRISM-CTG: A Foundation Model for Cardiotocography Analysis with Multi-View SSL
• Title（参考訳）: PRISM-CTG:多視点SSLを用いた心電図解析の基礎モデル
• Authors: Sheng Wong, Ravi Shankar, Beth Albert, Hao Fei, Lin Li, Imane Ben M'Barek, Manu Vatish, Gabriel Davis Jones,
• Abstract要約: 自動CTG分析のための改良されたディープラーニングモデルは通常、狭いラベル付きデータセットと限られた患者コホートによって制限される。 我々は,CTG(PRISM-CTG)のための統合自己スーパービジョンとメタデータを用いた生理的認識表現学習を提案する。 PRISM-CTGは、転送可能なドメインレベルの表現を学習するために、大規模なアンラベル記録を利用する。
• 参考スコア（独自算出の注目度）: 13.96238042096104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised deep learning models for automated CTG analysis are typically constrained by narrowly curated labelled datasets and limited patient cohorts, leaving substantial volumes of physiologically informative clinical recordings untapped. To address this limitation, we propose Physiology-aware Representation Learning via Integrated Self-supervision and Metadata for CTG (PRISM-CTG), a clinically grounded self-supervised foundation model (FM) for CTG that leverages large-scale unlabelled recordings to learn transferable domain-level representations. PRISM-CTG is pretrained using a multi-view self-supervised framework that jointly optimises 3 complementary pretext objectives: random-projected guided masked signal reconstruction, clinical variable prediction, and feature classification. Each objective is associated with a dedicated task-specific token, enabling specialised representation learning, while controlled cross-attention facilitates information exchange across clinical context. By reframing patient metadata and domain knowledge, which are often underutilised in conventional training as prediction targets, Prism-CTG transforms readily available clinical information into additional supervisory targets that guide clinically meaningful representation learning. Extensive experiments across 7 downstream CTG tasks in both antepartum and intrapartum domains demonstrated that PRISM-CTG consistently outperforms in-domain and SSL baselines. Notably, PRISM-CTG demonstrated strong generalisation under external validation on 2 datasets, while achieving comparable performance to studies trained on substantially larger, privately labelled datasets. To our knowledge, this is the first study to introduce large-scale FM for CTG that learns domain-level representations.
• Abstract（参考訳）: 自動化CTG分析のための改良されたディープラーニングモデルは通常、狭いラベル付きデータセットと限られた患者コホートによって制限され、かなりの量の生理学的に有益な臨床記録が未使用のまま残されている。 この制限に対処するため,CTG の自己監督とメタデータを用いた生理学的認識表現学習 (PRISM-CTG) を提案する。 PRISM-CTGは、ランダムプロジェクションされた誘導マスク信号再構成、臨床変数予測、特徴分類の3つの相補的前提を共同で最適化する多視点自己教師型フレームワークを用いて事前訓練される。 各目的は専用のタスク固有のトークンに関連付けられており、専門的な表現学習が可能であり、制御されたクロスアテンションは臨床コンテキスト間の情報交換を促進する。 Prism-CTGは、患者メタデータとドメイン知識を再定義することで、予測対象として従来のトレーニングでは使われていないことが多いが、簡単に利用できる臨床情報を、臨床的に意味のある表現学習を導くための追加の監督対象に変換する。 PRISM-CTGがドメイン内ベースラインとSSLベースラインを一貫して上回ることを示した。 特に、PRISM-CTGは、2つのデータセットに対する外部検証の下で強力な一般化を示し、さらに、より大きくプライベートにラベル付けされたデータセットでトレーニングされた研究に匹敵するパフォーマンスを実現した。 我々の知る限り、ドメインレベルの表現を学習するCTG用の大規模FMを導入するのは、これが初めてである。

関連論文リスト

• Unsupervised Neural Network for Automated Classification of Surgical Urgency Levels in Medical Transcriptions [3.093890460224435]
  本研究では、外科的転写を3つの緊急レベルに自動的に分類する、教師なしニューラルネットワークアプローチを提案する。 このフレームワークは、クロスバリデーションと精度、精度、リコール、F1スコアなどのメトリクスを使って厳格に評価されている。
  論文  参考訳（メタデータ） (2026-03-16T18:18:14Z)
• Transferring Clinical Knowledge into ECGs Representation [0.19498378931702776]
  本稿では,マルチモーダル臨床データから強力なECGエンコーダへ知識を伝達する新しい3段階トレーニングパラダイムを提案する。 我々は、文脈的臨床情報に富んだ心電図表現を作成するために、自己監督型、共同埋め込み型プレトレーニングステージを用いている。 モデルの出力を説明する間接的な方法として、ECG埋め込みから直接、関連する実験室の異常を予測できるように訓練する。
  論文  参考訳（メタデータ） (2025-12-07T22:19:24Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Large language models surpass domain-specific architectures for antepartum electronic fetal monitoring analysis [3.365708695027943]
  ファンデーションモデル(FM)と大規模言語モデル(LLM)は、時系列解析のために様々な領域にまたがる有望な一般化を実証している。 自動CTG分類のための最先端アーキテクチャの総合ベンチマークを初めて提示する。
  論文  参考訳（メタデータ） (2025-09-09T22:04:33Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• PRISM2: Unlocking Multi-Modal General Pathology AI with Clinical Dialogue [2.578328028000588]
  PRISM2は,70,000検体-報告ペアのデータに基づいて訓練された多モードスライドレベル基礎モデルである。 PRISM2は、病理形態学的特徴を診断的推論の言語と整合させ、スライドレベルの表現を生成する。 以上の結果から,言語指導による事前学習が,拡張性,臨床的根拠を生かした,一般化可能な病理表現の学習にどのように役立つかが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T03:12:51Z)
• Surgical Foundation Model Leveraging Compression and Entropy Maximization for Image-Guided Surgical Assistance [50.486523249499115]
  低侵襲手術(MIS)におけるリアルタイム映像理解の重要性 手術ビデオからコンパクトで情報的表現を学習するための,新しい自己教師型フレームワークであるCompress-to-Explore (C2E)を提案する。 C2Eは、エントロピー最大化デコーダを使用して、臨床的に関連する詳細を保持しながら画像を圧縮し、ラベル付きデータなしでエンコーダのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-05-16T14:02:24Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。