論文の概要: Foundation Models for Epileptogenic Zone Identification in Drug-Resistant Epilepsy

• arxiv url: http://arxiv.org/abs/2606.22657v1
• Date: Sun, 21 Jun 2026 20:20:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 07:51:32.187075
• Title: Foundation Models for Epileptogenic Zone Identification in Drug-Resistant Epilepsy
• Title（参考訳）: 薬剤抵抗性てんかんにおけるてんかん原性ゾーン同定の基礎モデル
• Authors: Thi Kieu Khanh Ho, Thomas Lai, Petr Klimes, Jan Cimbalnik, Martin Pail, Milan Brazdil, Birgit Frauscher, Narges Armanfard,
• Abstract要約: ステレオ脳波(sEEG)を用いたEZ識別のための二重基礎モデルであるEpiiSLMを開発した。 モントリオール神経研究所病院から104,990分間のSEEG記録に基づいて信号基礎モデルを訓練した。 言語基盤モデルは、sEEGから出力された出力とマルチモーダルな臨床情報を統合し、解釈可能な予測を生成する。
• 参考スコア（独自算出の注目度）: 7.279521223257859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate identification of the epileptogenic zone (EZ) is essential for seizure freedom after resective surgery in drug-resistant epilepsy, yet seizure freedom rates remain below 50%. We developed EpiiSLM, a dual foundation model system for EZ identification with stereo-electroencephalography (sEEG), by training a signal foundation model on 104,990 minutes of sEEG recordings from the Montreal Neurological Institute & Hospital, while leveraging all recordings regardless of surgical outcome and anchoring EZ biomarker extraction on non-epileptic signals. A language foundation model then integrates sEEG-derived outputs with multimodal clinical information to produce interpretable predictions. Under leave-one-patient-out evaluation, EpiiSLM achieved 0.978 contact-level positive predictive value (PPV), outperforming the seizure onset zone(SOZ)-as-EZ baseline by 15.1% (p < 0.05), and 100% region-level accuracy; on an external dataset, EpiiSLM achieved 0.857 contact-level PPV. EpiiSLM requires only one night of interictal sleep data, suggesting potential to reduce invasive sEEG monitoring duration and improve surgical outcomes.
• Abstract（参考訳）: 薬剤性てんかんに対する切除手術では, てんかん原性ゾーン(EZ)の正確な同定が必須であるが, 解離自由率は50%以下である。 モントリオール神経学研究所と病院から104,990分間のsEEG記録の信号基盤モデルを訓練し,手術結果に関わらず全記録を活用し,非てんかん性信号上でEZバイオマーカー抽出を固定することで,ステレオ脳波を用いたEZ識別のための二重基礎モデルであるEpiiSLMを開発した。 言語基盤モデルは、sEEGから出力された出力とマルチモーダルな臨床情報を統合し、解釈可能な予測を生成する。 EpiiSLM は 0.978 の接触レベル正の予測値 (PPV) を達成し, 発作発症ゾーン (SOZ)-as-EZ ベースラインを15.1% (p < 0.05), 100% 領域レベルの精度で上回り, 外部データセットでは 0.857 の接触レベル PPV を達成した。 EpiiSLMは1泊の睡眠データしか必要とせず、侵襲的なsEEGモニタリング期間を短縮し、手術成績を改善する可能性を示唆している。

関連論文リスト

• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• EpiScreen: Early Epilepsy Detection from Electronic Health Records with Large Language Models [20.30242430874328]
  われわれは,早期てんかん検出のための低コストで効果的なアプローチであるEpiScreenを開発した。 EpiScreenは、電子健康記録から定期的に収集された臨床記録を使用する。 臨床とAIのコラボレーション環境では、エピスクレインを補助する神経科医は、未発見の専門家を最大10.9%上回った。
  論文  参考訳（メタデータ） (2026-03-30T17:16:08Z)
• Omni-iEEG: A Large-Scale, Comprehensive iEEG Dataset and Benchmark for Epilepsy Research [4.4167069169736655]
  $textbf Omni-iEEG は $textbf302 患者$と $textbf178 時間高解像度記録を含む大規模で手術前の iEEG リソースである。 発作性発症ゾーン、切除、手術結果などの調和した臨床メタデータが含まれており、診断されたてんかん医によって検証されている。 臨床的に意味のあるタスクを定義し、臨床に関係のある環境でモデルの体系的な評価を可能にする。
  論文  参考訳（メタデータ） (2026-02-17T22:55:11Z)
• 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)
• 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)
• A Patient-Independent Neonatal Seizure Prediction Model Using Reduced Montage EEG and ECG [1.3394640265189308]
  新生児発作の早期予測のための畳み込みニューラルネットワークモデルを提案する。 提案したモデルの平均精度は97.52%、感度は98.31%、特異性は96.39%、F1スコアは97.95%であった。 以上の結果から,新生児集中治療室における最小管理的展開の可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-18T03:47:53Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。