論文の概要: Class-Dependent Hybrid Data Augmentation for Multiclass Migraine Classification under Severe Class Imbalance

• arxiv url: http://arxiv.org/abs/2605.23453v1
• Date: Fri, 22 May 2026 10:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.304106
• Title: Class-Dependent Hybrid Data Augmentation for Multiclass Migraine Classification under Severe Class Imbalance
• Title（参考訳）: 重度クラス不均衡下におけるマルチクラス片頭痛分類のためのクラス依存型ハイブリッドデータ拡張
• Authors: Elvin Somón, Miguel A. Gutiérrez-Naranjo,
• Abstract要約: 我々は、偏頭痛分類研究を再評価し、データ漏洩とメートル法バイアスの補正を行った。 i) ICHD-3 1.2.3に続く2つのヘミプレジックサブタイプの臨床的に動機付けられたアグリゲーション, (ii) クラスごとのサンプルサイズに基づいて生成方法を割り当てるクラス依存型ハイブリッドアグリゲーション戦略, (iii) 忠実度非対称性の概念を導入した。 2段階のプロトコルで7つの片頭痛サブタイプにわたる400人の患者を対象に実験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We conducted a reproducibility-oriented re-evaluation of prior migraine classification studies, correcting for data leakage and metric bias. We then introduced (i) a clinically motivated aggregation of two hemiplegic subtypes following ICHD-3 §1.2.3, (ii) a class-dependent hybrid augmentation strategy that assigns generation methods based on per-class sample size, and (iii) the concept of fidelity asymmetry, motivating proportionally constrained growth as an alternative to full class balance. Experiments were performed on a dataset of 400 patients across seven migraine subtypes under a two-stage protocol, including the six-class configuration described above. Models were evaluated using stratified 5-fold cross-validation with macro-averaged F1 as the primary metric. Correcting methodological flaws reduces previously inflated performance estimates, with the corrected macro-F1 baseline standing at 0.71. The proposed framework consistently outperformed individual augmenters in macro-F1 averaged across the eight evaluated classifiers (0.862 vs. 0.836 for Gaussian Copula, 0.815 for CTGAN, and 0.801 for the no-augmentation baseline), and achieved its peak result of 0.914 with FT-Transformer under proportional augmentation. The no-augmentation FT-Transformer baseline (0.896) shows that, at the per-classifier ceiling, clinically motivated class aggregation accounts for most of the absolute improvement; the framework's principal measurable contribution is the gain in average robustness across classifiers, highlighting the dominant role of problem formulation.
• Abstract（参考訳）: 再現性を重視した偏頭痛分類研究の再評価を行い,データ漏洩と計量バイアスの補正を行った。 次に紹介します (i)ICHD-3 s1.2.3の2種類のヘミプレジックサブタイプの臨床的に動機付けられた凝集 (ii)クラスごとのサンプルサイズに基づいて生成方法を割り当てるクラス依存型ハイブリッド化戦略 3) フルクラスバランスの代替として比例的に制約された成長を動機付ける、忠実性非対称性の概念。 上述の6クラス構成を含む2段階のプロトコルの下で、7つの片頭痛サブタイプにまたがる400人の患者を対象に実験を行った。 マクロ平均F1を主指標として, 層状5次元クロスバリデーションを用いたモデルの評価を行った。 修正手法の欠陥により、以前は膨らんだ性能の見積もりが減少し、修正マクロF1ベースラインは0.71である。 提案手法は, マクロF1において, 8つの評価分類器(ガウスの0.862 vs. 0.836, CTGANの0.815, ノ・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・ノー・アン・アン・アン・アン・アン・アン・アン・アン・ノー・アン・アン・アン・アン・アン・ノー・アン・アン・アン・アン・アン・アン・アン・ノー・アン・アン・アン・アン・アン・アン・ノー・アン・アン・アン・アン・アン・アン・アン・アン・ノー・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・アン・マン)で平均値の0.914を達成した。 no-augmentation FT-Transformer baseline (0.896) は、分類単位の天井において、臨床的に動機付けられたクラスアグリゲーションが絶対的な改善のほとんどを担っていることを示している。

関連論文リスト

• Quantum-Inspired Geometric Classification with Correlation Group Structures and VQC Decision Modeling [0.5039813366558307]
  本稿では、相関群構造(CGR)、コンパクトなSWAPテストに基づく重複推定、選択的変分量子決定モデリングを統合した幾何駆動型量子インスピレーション型分類フレームワークを提案する。 CGRは特徴をアンカー中心の相関近傍に整理し、非線形で相関重み付き表現を生成する。 Credit Card Fraudデータセット(0.17%)では、Delta + VQCパイプラインが約0.85マイノリティリコールを約1.31%の警告レートで達成し、ROC-AUC 0.9249とPR-AUC 0.3251をフルデータセットで評価している。
  論文  参考訳（メタデータ） (2026-04-02T11:50:29Z)
• Automated Identification of Incidentalomas Requiring Follow-Up: A Multi-Anatomy Evaluation of LLM-Based and Supervised Approaches [5.958100741754613]
  インシデントアロマの微細な病変レベル検出のために,大規模言語モデル(LLM)を教師付きベースラインと比較した。 そこで我々は,病変タグ付き入力と解剖学的認識を用いた新しい推論手法を導入し,基礎モデル推論を推し進めた。 解剖学的インフォームドGPT-OSS-20bモデルが最も高い性能を示し, 奇形腫陽性マクロF1の0.79。
  論文  参考訳（メタデータ） (2025-12-05T08:49:57Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Normal and Atypical Mitosis Image Classifier using Efficient Vision Transformer [0.5536078880492113]
  EfficientViT-L2を用いたMIDOG 2025チャレンジにおける非定型対正常ミトーシス分類に取り組む。 7種類の癌から13,938個の核を集積したデータセットを用い,非定型的なミトースを15。 このモデルは、0.859、ROC AUC 0.942、生の0.85の精度を達成し、メトリクス間の競争力とバランスの取れた性能を実証した。
  論文  参考訳（メタデータ） (2025-08-28T23:45:06Z)
• Uncertainty-Aware Genomic Classification of Alzheimer's Disease: A Transformer-Based Ensemble Approach with Monte Carlo Dropout [0.0]
  アルツハイマー病(英語版) (AD) は遺伝学的に複雑であり、ゲノムデータも複雑である。 我々はモンテカルロ・ドロップアウトを用いた変圧器を用いたアンサンブルモデル(TrUENet)を開発した。
  論文  参考訳（メタデータ） (2025-05-31T18:20:49Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。