論文の概要: Predicting gestational age at birth in the context of preterm birth from multi-modal fetal MRI
- arxiv url: http://arxiv.org/abs/2606.20172v1
- Date: Thu, 18 Jun 2026 12:39:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.85449
- Title: Predicting gestational age at birth in the context of preterm birth from multi-modal fetal MRI
- Title（参考訳）: マルチモーダル胎児MRIによる出生前妊娠年齢の予測
- Authors: Diego Fajardo-Rojas, Megan Hall, Daniel Cromb, Mary A. Rutherford, Lisa Story, Emma C. Robinson, Jana Hutter,
- Abstract要約: 出生前は致命的な死亡率と生涯の死亡リスクに関係している。
出生時の妊娠年齢(GA)を予測するため,ベスポーク機械学習を用いたパイプラインを開発した。
パイプラインはR2スコアが0.13、平均絶対誤差が2.74週間に達する。
- 参考スコア（独自算出の注目度）: 0.7150253772413703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Preterm birth is associated with significant mortality and a risk for lifelong morbidity. The complex multifactorial aetiology hampers accurate prediction and thus optimal care. A pipeline consisting of bespoke machine learning methods for data imputation, feature selection, and regression models to predict gestational age (GA) at birth was developed and evaluated from comprehensive multi-modal morphological and functional fetal MRI data from 333 control cases and 93 preterm birth cases. The GA at birth predictions were classified into term and preterm categories and their accuracy, sensitivity, and specificity were reported. An ablation study was performed to further validate the design of the pipeline. Performance was evaluated using stratified 10-fold cross-validation. The pipeline achieves an R2 score of 0.13 and a mean absolute error of 2.74 weeks. It also achieves a 0.77 accuracy, 0.59 sensitivity, and 0.82 specificity across folds. The predominant features selected by the pipeline include cervical length and statistics derived from placental T2* values. The confluence of fast, motion-robust and multi-modal fetal MRI techniques and machine learning prediction allowed the prediction of the gestation at birth. This information is essential for any pregnancy. To the best of our knowledge, preterm birth had only been addressed as a classification problem in the literature. Therefore, this work provides a proof of concept. Future work will increase the cohort size to allow for finer stratification within the preterm birth cohort. Our code is available at https://github.com/dfajardorojas/ml-for-preterm-birth-.
- Abstract（参考訳）: 出生前は致命的な死亡率と生涯の死亡リスクに関係している。
複雑な多因子的エチオロジーは正確な予測を妨げ、したがって最適なケアを与える。
出生時の妊娠年齢(GA)を予測するための,データ計算,特徴選択,回帰モデルのためのベスポーク機械学習によるパイプラインを開発し,333症例と93症例の総合的多モード形態学的・機能的胎児MRIデータから評価した。
出生予測におけるGAは,中期・中期のカテゴリーに分類し,その正確性,感受性,特異性について報告した。
パイプラインの設計をさらに検証するためにアブレーション試験を行った。
層状10倍のクロスバリデーションによる性能評価を行った。
パイプラインはR2スコアが0.13、平均絶対誤差が2.74週間に達する。
また、0.77の精度、0.59の感度、および0.82の特異性も達成している。
パイプラインで選択される主な特徴は、頚椎の長さと胎盤T2*値に由来する統計である。
高速, モーションロバスト, マルチモーダル胎児MRI技術と機械学習予測の併用により, 出生時の妊娠予測が可能となった。
この情報は妊娠に欠かせない。
我々の知る限りでは、早産は文学における分類問題としてのみ扱われていた。
したがって、この研究は概念実証となる。
今後はコホートのサイズを拡大し、出生前コホート内でより微細な成層化を可能にする。
私たちのコードはhttps://github.com/dfajardorojas/ml-for-preterm- birth-で利用可能です。
関連論文リスト
- Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。
入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
論文 参考訳（メタデータ） (2026-01-07T23:35:24Z) - Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
医療用AIシステムFetalMindについて報告する。
本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。
FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
論文 参考訳（メタデータ） (2025-10-14T19:57:03Z) - PUUMA (Placental patch and whole-Uterus dual-branch U-Mamba-based Architecture): Functional MRI Prediction of Gestational Age at Birth and Preterm Risk [0.6606561617603914]
295妊娠のT2*胎児MRIデータを用いて出生時の妊娠年齢(GA)を予測するために,Double-branch Deep Learning Architecture (PUUMA)を開発した。
このモデルは、グローバルな全子宮と局所的な胎盤の特徴を統合している。
これはデータセットのクラス不均衡が顕著であるにもかかわらず、平均絶対誤差(3週間)と事前出生を検出するための感度(0.67)に匹敵する平均誤差を達成した。
論文 参考訳（メタデータ） (2025-09-08T10:23:43Z) - Predicting VBAC Outcomes from U.S. Natality Data using Deep and Classical Machine Learning Models [0.0]
本研究は,CDC WONDER Natalityデータセットから得られたセサレアン(VBAC)後の迷走神経発生を予測するための教師付き機械学習モデルを提案する。
ロジスティック回帰、XGBoost、多層パーセプトロン(MLP)の3つの分類器を訓練した。
AUCは0.7287で最高性能を記録し、XGBoost (Boost = 0.727) はロジスティック回帰ベースラインを上回った。
論文 参考訳（メタデータ） (2025-07-28T20:54:55Z) - A deep learning and machine learning approach to predict neonatal death in the context of São Paulo [0.0]
新生児死亡は、未発達の国や一部の先進国にとって、いまだに深刻な現実である。
この数を減少させるためには、絶滅危惧児の早期予測が不可欠である。
新生児が危険にさらされているかどうかを判断するために、機械学習が使用された。
論文 参考訳（メタデータ） (2025-06-20T11:44:48Z) - M-TabNet: A Multi-Encoder Transformer Model for Predicting Neonatal Birth Weight from Multimodal Data [3.452389713639621]
出生体重(BW)は新生児の健康にとって重要な指標であり、低出生体重(LBW)は死亡率と死亡率の増加と関連している。
既存のモデルでは栄養学や遺伝学の影響を無視することが多く、主に生理学やライフスタイルに重点を置いている。
本研究は,12週間の妊娠後早期のBW予測のためのマルチエンコーダアーキテクチャを用いたアテンションベーストランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2025-04-20T00:03:47Z) - Predicting Adverse Neonatal Outcomes for Preterm Neonates with
Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。
特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文 参考訳（メタデータ） (2023-03-28T00:44:06Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Spontaneous preterm birth prediction using convolutional neural networks [8.47519763941156]
毎年1500万人の赤ちゃんが生まれ過ぎている。
妊娠末期(PTB)の合併症により、毎年約100万人が死亡している。
論文 参考訳（メタデータ） (2020-08-16T21:21:33Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。