論文の概要: StrokeTimer: Robust Representation Learning for Ischemic Stroke Onset-Time Estimation from Non-contrast CT

• arxiv url: http://arxiv.org/abs/2606.04722v1
• Date: Wed, 03 Jun 2026 11:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.696506
• Title: StrokeTimer: Robust Representation Learning for Ischemic Stroke Onset-Time Estimation from Non-contrast CT
• Title（参考訳）: StrokeTimer:非造影CTによる虚血性脳卒中発症時間推定のためのロバスト表現学習
• Authors: Weiru Wang, Susanne G. H. Olthuis, Elizaveta Lavrova, Robert J. van Oostenbrugge, Charles B. L. M. Majoie, Wim H. van Zwam, Ruisheng Su,
• Abstract要約: StrokeTimerは、急性虚血性脳梗塞の発症時間推定のための完全に自動化されたフレームワークである。 発症時間は, 4.5h, 4.5-6h, >6hの3つの臨床関連窓に分類される。 StrokeTimerは0.69のマクロAUCと0.57のマクロF1スコアを達成し、最強のベースラインを50%近く改善した。
• 参考スコア（独自算出の注目度）: 0.7166329363666316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ischemic stroke is a major global disease. Treatment decisions are highly time-sensitive, as eligibility for reperfusion therapies relies on the interval between stroke onset and intervention. However, the true onset time is often uncertain in clinical practice, necessitating imaging-based assessment of tissue age as a surrogate marker. Early ischemic changes on routinely acquired non-contrast CT (NCCT) are often subtle, and real-world clinical datasets exhibit pronounced onset-time class imbalance and center-scanner-related heterogeneity. In this work, we propose StrokeTimer, a fully automated framework for onset-time estimation in acute ischemic stroke. StrokeTimer integrates self-supervised disentanglement learning with energy-guided contrastive learning to capture subtle ischemic patterns while addressing long-tailed data distributions under acquisition variability. Onset time is categorized into three clinically relevant windows: <4.5 h, 4.5-6 h, and >6 h. Experimental results on a large multi-center NCCT dataset from two national cohorts, MR CLEAN Registry and MR CLEAN LATE, show that StrokeTimer achieves a macro AUC of 0.69 and a macro F1-score of 0.57, improving the strongest baseline by nearly 50% (p < 0.005). In this realistic, challenging setting, representative baseline approaches exhibit near-chance macro performance. Model explanations further highlight subtle gray-white matter blurring and hypodense regions consistent with established radiological biomarkers. These findings demonstrate the potential of StrokeTimer to support treatment decision-making in acute ischemic stroke. Code is available at https://github.com/BrainVas/StrokeTimer.
• Abstract（参考訳）: 虚血性脳卒中は大きな世界的な病気である。 再灌流療法の適性は、脳卒中発症と介入の間隔に依存するため、治療決定は非常に時間に敏感である。 しかし、実際の発症時期はしばしば臨床的に不確実であり、画像に基づく組織年齢のサロゲートマーカーとしての評価が必要である。 日常的に取得された非造影CT(NCCT)の早期の虚血性変化は微妙であり、実世界の臨床データセットはオンセットタイムのクラス不均衡とセンタースキャナー関連異質性を示す。 本研究では,急性期脳卒中における発症時間推定のための完全に自動化されたフレームワークであるStrokeTimerを提案する。 StrokeTimerは、自己教師型不整合学習とエネルギー誘導型コントラスト学習を統合して、取得変数下での長期データ分散に対処しながら、微妙な虚血パターンをキャプチャする。 発症時間は臨床的に関係のある3つのウィンドウ (4.5 h, 4.5-6 h, >6 h) に分類される。 MR CLEAN Registry と MR CLEAN LATE の2つの全国コホートから得られた大規模なマルチセンターNCCTデータセットの実験結果から、StrokeTimer はマクロ AUC 0.69 とマクロ F1-スコア 0.57 を達成し、最強のベースラインを50%近く改善した(p < 0.005)。 この現実的で挑戦的な設定において、代表的ベースラインアプローチは、近チャンスマクロのパフォーマンスを示す。 モデルによる説明は、より微妙な灰白物質のぼやけと、確立した放射線バイオマーカーと整合した低濃度領域を浮き彫りにする。 以上より,StrokeTimerが急性虚血性脳梗塞の治療決定を支援する可能性が示唆された。 コードはhttps://github.com/BrainVas/StrokeTimer.comで入手できる。

関連論文リスト

• Machine Learning-Based Real-Time Detection of Compensatory Trunk Movements Using Trunk-Wrist Inertial Measurement Units [0.36136619420474764]
  脳卒中後によく見られる補償幹運動(CTM)は、不適応な運動パターンを引き起こす。 本研究では,2慣性測定ユニットの構成により,機械学習を用いたリアルタイムCTM検出が可能かどうかを検討する。
  論文  参考訳（メタデータ） (2026-04-14T11:17:05Z)
• Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
  リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。 従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。 本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
  論文  参考訳（メタデータ） (2026-01-12T15:03:53Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• 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)
• T-CACE: A Time-Conditioned Autoregressive Contrast Enhancement Multi-Task Framework for Contrast-Free Liver MRI Synthesis, Segmentation, and Diagnosis [5.9273237904788045]
  非造影MRI(NCMRI)から直接造影MRI(CEMRI)を合成するためのT-CACE(Time-Conditioned Autoregressive Contrast Enhancement)フレームワークを提案する。 T-CACEは、解剖学的先行情報と時間相情報を潜在表現に統一する条件付きトークン符号化(CTE)機構と、相間情報の流れを適応的に調節する動的時間認識型注意マスク(DTAM)の3つの中心的革新を導入している。 2つの独立した肝MRIデータセットの実験により、T-CACEは画像合成、セグメンテーション、病変において最先端の手法より優れていることが示された
  論文  参考訳（メタデータ） (2025-08-13T16:14:14Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• ISLES'24 -- A Real-World Longitudinal Multimodal Stroke Dataset [9.501255615225428]
  ストロークは世界的死亡率と死亡率の主要な原因であり、社会経済的重荷を伴っている。 脳卒中画像から脳機能の正確なモデルを作成する機械学習アルゴリズムの開発には、大きく、多様で、注釈付けされたパブリックデータセットが必要である。 このマルチセンターデータセットは245のケースで構成され、臨床的な意思決定を容易にする強力な機械学習アルゴリズムを開発するための基盤となっている。
  論文  参考訳（メタデータ） (2024-08-20T18:59:52Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。