論文の概要: CLEF: EEG Foundation Model for Learning Clinical Semantics

• arxiv url: http://arxiv.org/abs/2605.10817v1
• Date: Mon, 11 May 2026 16:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.997327
• Title: CLEF: EEG Foundation Model for Learning Clinical Semantics
• Title（参考訳）: CLEF:臨床セマンティックス学習のための脳波基礎モデル
• Authors: Peng Cao, Ali Mirzazadeh, Jong Woo Lee, Aleksandar Videnovic, Dina Katabi,
• Abstract要約: CLEFは,脳波基礎モデルである。 CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 50.3767252824646
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Clinical EEG interpretation requires reasoning over full EEG sessions and integrating signal patterns with clinical context. Existing EEG foundation models are largely designed for short-window decoding and do not incorporate clinical context. We introduce CLEF, a clinically grounded long-context EEG foundation model. CLEF represents EEG sessions as 3D multitaper spectrogram tokens, enabling tractable Transformer modeling at session scale, and aligns embeddings with neurologist reports and structured EHR data through contrastive objectives. We evaluate CLEF on a new 234-task benchmark spanning disease phenotypes, medication exposures, and EEG findings, with more than 260k EEG sessions from over 108k patients. CLEF outperforms prior EEG foundation models on 229 of 234 tasks, improving mean AUROC from 0.65 to 0.74. Reconstruction-only pretraining surpasses prior EEG foundation models, while report and EHR alignment yields further gains. Held-out concept and external-cohort experiments suggest that these representations transfer beyond observed alignment targets. These results support session-scale, clinically grounded representation learning as a promising foundation-model paradigm for clinical EEG.
• Abstract（参考訳）: 臨床脳波の解釈には、完全な脳波セッションの推論と臨床コンテキストとの信号パターンの統合が必要である。 既存のEEGファンデーションモデルは、主にショートウインドウのデコード用に設計されており、臨床コンテキストを組み込んでいない。 CLEFは,脳波基礎モデルである。 CLEFはEEGセッションを3Dマルチタスク・スペクトログラムトークンとして表現し、セッションスケールでのトラクタブルトランスフォーマーモデリングを可能にし、神経学者の報告や、対照的な目的を通じて構造化されたEHRデータと埋め込みを調整する。 CLEFは, 疾患の表現型, 薬物曝露, 脳波にまたがる新しい234タスク・ベンチマークで評価され, 108k以上の患者から260k以上の脳波セッションが得られた。 CLEFは234のタスクのうち229の脳波基礎モデルより優れており、平均AUROCは0.65から0.74に改善している。 レコンストラクションのみの事前訓練は、以前のEEGファンデーションモデルを上回る一方、報告とEHRアライメントはさらなる利益をもたらす。 ヘルドアウトの概念と外部コホート実験は、これらの表現が観測されたアライメント目標を超えて移動することを示唆している。 これらの結果は,臨床脳波の基礎モデルとして,セッションスケール,臨床基礎的表現学習を支援する。

関連論文リスト

• Physiology as Language: Translating Respiration to Sleep EEG [43.02603129452492]
  本稿では,呼吸信号から睡眠脳波(EEG)を合成するクロス生理学的翻訳タスクを紹介する。 離散トークン化により脳波の標的空間を制約しながら、微細な呼吸動態を保ちながら波形条件生成フレームワークを提案する。 脳波スペクトログラム再構成では,28,000人以上の被験者を対象に,平均絶対誤差を7%以上達成している。
  論文  参考訳（メタデータ） (2026-01-31T05:44:45Z)
• 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)
• CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models [13.613519337591507]
  シングルリードのECG記録は、臨床レベルのウェアラブルと消費者向けのウェアラブルの両方に統合されている。 未ラベルのECG上でのファンデーションモデルの自己教師付き事前トレーニングは診断性能を向上させるが、既存のアプローチでは臨床メタデータからドメイン知識を取り入れていない。 我々は,確立された臨床リスクスコアを用いて,ネガティブなペアを適応的に重み付けする,新しいコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2025-12-01T20:21:44Z)
• EEG-Bench: A Benchmark for EEG Foundation Models in Clinical Applications [25.677165987759505]
  臨床応用における脳波ベースファンデーションモデルの評価に焦点を当てた統合ベンチマークフレームワークを提案する。 このベンチマークは、てんかん、統合失調症、パーキンソン病、OCD、軽度の外傷性脳損傷など、14の公開データセットで明確に定義された11の診断タスクにまたがっている。
  論文  参考訳（メタデータ） (2025-11-28T12:46:40Z)
• EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
  EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。 EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。 第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
  論文  参考訳（メタデータ） (2025-08-19T11:12:58Z)
• EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding [63.898595224608464]
  2つの課題からなる大規模なコードベースのコンペティションを導入します。 Transfer Challengeは参加者に対して,新たなタスクと新たな課題をEEGデータからゼロショットデコード可能なモデルの構築とテストを求めるものだ。 精神病理因子予測チャレンジでは、参加者に脳波データからメンタルヘルスの指標を推測するよう求めている。
  論文  参考訳（メタデータ） (2025-06-23T21:25:19Z)
• Bridging Electronic Health Records and Clinical Texts: Contrastive Learning for Enhanced Clinical Tasks [0.0]
  本稿では,構造化EHRデータの潜在表現を非構造化放電要約ノートと整合させるフレームワークを提案する。 ペアのEHRとテキストの埋め込みをまとめて、障害のないものを分解する。 その結果,臨床ノートからEHRベースのパイプラインにドメイン知識を統合する効果が示された。
  論文  参考訳（メタデータ） (2025-05-23T09:04:49Z)
• EEG-Language Pretraining for Highly Label-Efficient Clinical Phenotyping [0.0]
  マルチモーダル言語モデリングは、表現学習のブレークスルーを可能にしてきたが、臨床表現型検索のための機能的脳データの範囲では未解明のままである。 本稿では臨床報告と15,000の脳波を訓練した脳波モデル(ELM)を考案した。
  論文  参考訳（メタデータ） (2024-09-02T10:03:03Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)

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。