論文の概要: CW-B: Class Weighted Boosting Framework for Imbalance Resilient Multi Class Cardiac Phenotyping

• arxiv url: http://arxiv.org/abs/2606.29907v1
• Date: Mon, 29 Jun 2026 07:43:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.098381
• Title: CW-B: Class Weighted Boosting Framework for Imbalance Resilient Multi Class Cardiac Phenotyping
• Title（参考訳）: CW-B: 回復力に欠けるマルチクラス心磁図のためのクラス重み付けブースティングフレームワーク
• Abstract要約: 臨床リスク対応型XGBoostパイプラインであるCW-Bについて検討した。 CW-Bは、フォールド特異的なクラスバランスのインスタンス重み付け、欠失指標増強、およびクラスワイドエラー監査を組み合わせて、臨床的に優先順位付けされた表現型の認識を改善する。
• 参考スコア（独自算出の注目度）: 18.38504550498045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac discharge phenotyping informs post-discharge treatment and follow-up, but real-world records are often incomplete and class-imbalanced, increasing the risk of missed high-risk phenotypes. We propose CW-B, a clinical risk-aligned class-weighted XGBoost pipeline for five-class cardiac discharge phenotyping under real-world class imbalance and missingness. CW-B combines fold-specific class-balanced instance weighting, missingness-indicator augmentation, and classwise error auditing to improve recognition of clinically prioritized phenotypes while preserving interpretable and auditable decision logic. In five-fold stratified cross-validation, CW-B achieves the best Accuracy, Macro-F1, Balanced Accuracy, and Prioritized F1 among tree-based, ensemble, and neural baselines. Overall, CW-B provides a practical and deployment-oriented approach for more reliable cardiac discharge phenotyping in real-world clinical settings.
• Abstract（参考訳）: 心放電の表現型付けは、放電後の治療とフォローアップを知らせるが、現実のレコードはしばしば不完全であり、クラス不均衡であり、ハイリスクな表現型の欠落のリスクを増大させる。 臨床リスク対応型XGBoostパイプラインであるCW-Bを提案する。 CW-Bは、フォールド特異的なクラスバランスのインスタンス重み付け、欠如指標増強、およびクラスワイドエラー監査を組み合わせることで、解釈可能かつ監査可能な決定ロジックを維持しながら、臨床的に優先順位付けされた表現型の認識を改善する。 CW-Bは、木に基づく、アンサンブル、ニューラルベースラインの中で、最良の精度、マクロF1、平衡精度、優先順位付けされたF1を達成する。 全体として、CW-Bは実際の臨床環境でより信頼性の高い心放電フェノタイピングのための実用的で展開指向のアプローチを提供する。

関連論文リスト

• MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
  医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。 クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
  論文  参考訳（メタデータ） (2026-09-04T07:02:12Z)
• CPR: Causal Physiological Representation Learning for Robust ECG Analysis under Distribution Shifts [0.0]
  心電図(ECG)診断のための深層学習モデルでは, 逆行性摂動に対する脆弱性を示す。 CPR(Causal Physiological Representation Learning)を提案する。 CPRは因果的絡み合いの枠組みに生理的構造的優先順位を組み込んでいる。
  論文  参考訳（メタデータ） (2025-12-31T02:08:34Z)
• 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)
• EndoCIL: A Class-Incremental Learning Framework for Endoscopic Image Classification [5.574295682041076]
  内視鏡画像解析のためのクラスインクリメンタルラーニング(CIL)は,臨床応用に不可欠である。 本稿では,内視鏡的画像診断に適した新しい統合型CILフレームワークであるEndoCILを提案する。
  論文  参考訳（メタデータ） (2025-10-20T06:26:54Z)
• Advancing Few-Shot Pediatric Arrhythmia Classification with a Novel Contrastive Loss and Multimodal Learning [0.9225176258772595]
  本稿では、ECGとIEGMのための二重分岐畳み込みエンコーダを組み合わせたマルチモーダルエンドツーエンドディープラーニングフレームワークを提案する。 また,アダプティブ・グローバル・クラス・アウェア・コントラシティブ・ロスと呼ばれる新たなコントラシブ・ロスファクニションを導入する。
  論文  参考訳（メタデータ） (2025-09-10T05:24:00Z)
• Stroke Disease Classification Using Machine Learning with Feature Selection Techniques [1.6044444452278062]
  心臓病は世界中で致死率と死亡率の主要な原因である。 我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
  論文  参考訳（メタデータ） (2025-04-01T07:16:49Z)
• Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
  本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。 我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T03:32:04Z)
• Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
  クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。 本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。 我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
  論文  参考訳（メタデータ） (2023-08-27T19:01:29Z)
• 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)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Deep Reinforcement Learning for Multi-class Imbalanced Training [64.9100301614621]
  我々は、極めて不均衡なデータセットをトレーニングするために、強化学習に基づく不均衡な分類フレームワークを導入する。 特注報酬関数とエピソード学習手順を定式化し、特にマルチクラス不均衡トレーニングを扱えるようにした。 実世界の臨床ケーススタディを用いて,提案手法が現状の非バランス学習法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-24T13:39:59Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)

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。