論文の概要: From Point Estimates to Distributions: GMM Pooling for MIL in Preterm Birth Prediction

• arxiv url: http://arxiv.org/abs/2606.23005v1
• Date: Mon, 22 Jun 2026 08:18:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 02:53:25.898164
• Title: From Point Estimates to Distributions: GMM Pooling for MIL in Preterm Birth Prediction
• Title（参考訳）: 点推定から分布へ:短期出生予測におけるMILのためのGMMプール
• Authors: Hussain Alasmawi, Numan Saeed, Soha Said, Mohammad Yaqub,
• Abstract要約: 事前出生(PTB)予測は、ターゲット監視とタイムリーな介入を可能にする。 ほとんどの超音波モデルでは、複数の頚部画像を取得する定期的な検査にもかかわらず、患者1人当たりの1つの選択された経静脈的超音波フレームを使用する。 我々は、TB予測をマルチインスタンスラーニング(MIL)問題として定式化し、各患者を単一の結果ラベルを持つ可変サイズのTVUS画像の袋として表現する。
• 参考スコア（独自算出の注目度）: 2.572064899085993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Preterm birth (PTB) prediction can enable targeted surveillance and timely intervention, yet most ultrasound-based models use a single selected transvaginal ultrasound (TVUS) frame per patient despite routine exams acquiring multiple cervical images. We formulate PTB prediction as a multiple instance learning (MIL) problem, representing each patient as a variable-sized bag of TVUS images with a single outcome label. To move beyond standard MIL aggregators that collapse a bag into a point estimate, we propose a Gaussian Mixture Model (GMM) pooling, which summarizes all images in a bag into a fixed-length representation by modeling their feature distribution. This design captures intra-patient variability. We evaluate the method on a private clinical cohort and on a public lymph node metastasis benchmark. For PTB prediction, GMM pooling improves over the instance-based model PR-AUC from 0.44 to 0.56. On the lymph node benchmark, it achieves state-of-the-art performance with 0.91 F1-score and 0.89 ROC-AUC for classification and 0.18 MAE for regression. The code is publicly available at https://github.com/HussainAlasmawi/GMM_Pooling.
• Abstract（参考訳）: 早期出生(PTB)予測は、標的の監視とタイムリーな介入を可能にするが、ほとんどの超音波モデルは、複数の頚部画像を取得する定期的な試験にもかかわらず、患者ごとに単一の選択された経バジナル超音波(TVUS)フレームを使用する。 我々は、TB予測をマルチインスタンスラーニング(MIL)問題として定式化し、各患者を単一の結果ラベルを持つ可変サイズのTVUS画像の袋として表現する。 バッグを崩壊させる標準のMILアグリゲータを超えて点推定を行うため,ガウス混合モデル(GMM)プーリングを提案し,その特徴分布をモデル化して,バッグ内のすべての画像を固定長表現に要約する。 このデザインは患者内部の変動を捉えている。 本手法を民間臨床コホートおよびリンパ節転移ベンチマークで評価した。 PTB予測では、GMMプーリングはインスタンスベースのPR-AUCを0.44から0.56に改善する。 リンパ節のベンチマークでは、0.91 F1スコア、0.89 ROC-AUC、レグレッション0.18 MAEで最先端のパフォーマンスを達成する。 コードはhttps://github.com/HussainAlasmawi/GMM_Pooling.comで公開されている。

関連論文リスト

• Interpretable Prediction of Lymph Node Metastasis in Rectal Cancer MRI Using Variational Autoencoders [0.0]
  本研究では,既存のアプローチで使用されている大規模学習済み畳み込みニューラルネットワーク(CNN)を置き換えるために,機能エンコーダモデルとして変分オートエンコーダ(VAE)を適用することを検討する。 VAEを使用する動機は、生成モデルがイメージを再構成することを目的としているため、データ全体にわたる視覚的特徴や意味のあるパターンを直接エンコードする。 提案したモデル「VAE-MLP」は,AUC 0.86 +/-0.05,感性 0.79 +/-0.06,および特異性を用いて,MRIデータセット上での最先端性能を実現した。
  論文  参考訳（メタデータ） (2025-07-15T18:20:38Z)
• Scalable DP-SGD: Shuffling vs. Poisson Subsampling [61.19794019914523]
  バッチサンプリングをシャッフルしたマルチエポック適応線形クエリ(ABLQ)機構のプライバシ保証に対する新たな下位境界を提供する。 ポアソンのサブサンプリングと比較すると大きな差がみられ, 以前の分析は1つのエポックに限られていた。 本稿では,大規模な並列計算を用いて,Poissonサブサンプリングを大規模に実装する実践的手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T19:06:16Z)
• Introducing instance label correlation in multiple instance learning. Application to cancer detection on histopathological images [5.895585247199983]
  本研究では,VGPMIL-PRと呼ばれる最先端のGPベースのMIL法を拡張し,その相関性を利用する。 我々のモデルは、他の最先端確率的MIL法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-30T08:57:59Z)
• PyMAF-X: Towards Well-aligned Full-body Model Regression from Monocular Images [60.33197938330409]
  PyMAF-Xは、モノクロ画像からパラメトリックフルボディモデルを復元するための回帰ベースのアプローチである。 PyMAFとPyMAF-Xは、メッシュイメージアライメントを効果的に改善し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2022-07-13T17:58:33Z)
• Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
  全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。 本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。 位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
  論文  参考訳（メタデータ） (2022-06-22T07:00:39Z)
• A new perspective on probabilistic image modeling [92.89846887298852]
  本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。 本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
  論文  参考訳（メタデータ） (2022-03-21T14:53:57Z)
• Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
  MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。 腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。 患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
  論文  参考訳（メタデータ） (2021-11-06T10:28:48Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。