論文の概要: Missingness as Signal: Channel-Independent Spectrogram Learning for Clinical Time Series Prediction

• arxiv url: http://arxiv.org/abs/2607.02938v1
• Date: Fri, 03 Jul 2026 04:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.466883
• Title: Missingness as Signal: Channel-Independent Spectrogram Learning for Clinical Time Series Prediction
• Title（参考訳）: 信号の欠如:臨床時系列予測のためのチャネル非依存スペクトログラム学習
• Abstract要約: 本研究は,Channel-Independent Spectrogram framework with a Missingness stream for clinical time series prediction。 MIMIC-IVから派生した病院内死亡タスクの実験では、CISMは、比較時系列、欠如認識、視力、時間周波数ベースラインのうち、AUROC(0.7225)、AUPRC(0.3308)、F1(0.3808)を達成している。
• 参考スコア（独自算出の注目度）: 6.42984920182754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical time series prediction in intensive care units remains challenging due to heterogeneous physiological variables and informative missingness. The presence or absence of a measurement can reflect clinical decisions and patient severity, and thus missingness can serve as a predictive signal rather than a simple data artifact. This work presents CISM, a Channel-Independent Spectrogram framework with a Missingness stream for clinical multivariate time series prediction. CISM converts each clinical variable into a variable-wise time-frequency spectrogram, preserves variable identity through variable-aligned encoding, and aligns an explicit missingness stream with the spectrogram representation. Experiments on an in-hospital mortality task derived from MIMIC-IV show that CISM achieves the highest mean AUROC (0.7225), AUPRC (0.3308), and F1 (0.3808) among the compared time series, missingness-aware, vision, and time-frequency baselines. Ablation studies further show that observation patterns provide a meaningful informative signal. Pixel-level mask injection improves performance over plain spectrogram inputs and recovers much of this predictive value. The aligned missingness stream contributes a further, complementary gain in both AUROC and AUPRC. These results highlight the importance of modeling observation patterns as structured signals in clinical time series prediction.
• Abstract（参考訳）: 不均一な生理的変数と情報的欠如により,集中治療単位における臨床時系列予測はいまだに困難である。 測定の有無は、臨床上の決定や患者の重症度を反映しうるため、欠如は単純なデータアーティファクトではなく予測シグナルとして機能する。 本研究は,Channel-Independent SpectrogramフレームワークであるCISMを用いて,臨床多変量時系列予測を行う。 CISMは、各臨床変数を可変時間周波数スペクトログラムに変換し、可変整列符号化により可変IDを保持し、スペクトル表現と明示的な欠損ストリームを整列させる。 MIMIC-IVから派生した病院内死亡タスクの実験では、CISMは、比較時系列、欠如認識、視力、時間周波数ベースラインのうち、AUROC(0.7225)、AUPRC(0.3308)、F1(0.3808)を達成している。 アブレーション研究は、観察パターンが有意義な情報伝達シグナルを提供することを示している。 ピクセルレベルのマスクインジェクションは、通常のスペクトログラム入力よりもパフォーマンスを改善し、この予測値の多くを回復する。 整合性不足ストリームは、AUROCとAUPRCの双方において、さらに補完的な利益をもたらしている。 これらの結果は,臨床時系列予測における構造化信号としての観察パターンのモデル化の重要性を強調した。

関連論文リスト

• The Impact of Temporal Context Length and Encoding Strategies on Self-Supervised ECG Representation Learning [0.8411385346896411]
  心電図(ECG)モデルは、しばしば数秒間の心電図信号に基づいて訓練される。 これらの選択がリズム推定や時間的整合性に必要な情報を犠牲にしているかどうかは不明である。 我々はIcentia11kシングルリードデータセットについて制御された研究を行った。
  論文  参考訳（メタデータ） (2026-08-13T01:18:39Z)
• GARLIC: Graph Attention-based Relational Learning of Multivariate Time Series in Intensive Care [5.469342914844525]
  本稿では,集中治療のための注意型グラフ学習(GARLIC)モデルを提案する。 GARLICは、指数関数的に学習可能なニューラルネットワークアーキテクチャを通じて、欠落したデータを暗示する。 3つの ICU ベンチマークで、GARLIC は結果予測の新たな状態を設定する。
  論文  参考訳（メタデータ） (2026-08-11T14:29:48Z)
• Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations [59.34593956287438]
  Aionoscope(アイオノスコープ)は、凍結した時系列表現における潜在状態のアクセシビリティを検査するための診断ツールである。 アイオノスコープはプロセス生成を観察レンダリングから切り離し、正確な分類と密度のラベルを持つシード合成ストリームを生成する。
  論文  参考訳（メタデータ） (2026-07-01T13:54:20Z)
• ReTAMamba: Reliability-Aware Temporal Aggregation with Mamba for Irregular Clinical Time Series Prediction [3.5795275871379704]
  臨床時系列データは、不規則なサンプリング、頻繁な欠落値、不均一な観察パターンを示すため、モデル化が困難である。 既存のアプローチでは、観測マスクとタイムギャップ情報を用いることが多いが、過去の観測の信頼性の低下を継続的に捉えているわけではない。 我々は,臨床時系列を時間可変トークンシーケンスとして再構成したMambaを用いた信頼性を考慮したテンポラルアグリゲーションを提案する。
  論文  参考訳（メタデータ） (2026-05-11T02:39:33Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
  本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。 提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-01-17T03:35:39Z)
• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
  このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。 実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。 特徴選択戦略は臨床環境に適応する必要がある。
  論文  参考訳（メタデータ） (2025-10-10T09:03:47Z)
• Mind the Missing: Variable-Aware Representation Learning for Irregular EHR Time Series using Large Language Models [0.6554326244334866]
  VITAL(VITAL)は、不規則にサンプリングされた生理的時系列から学習するのに適した可変対応大規模言語モデル(LLM)ベースのフレームワークである。 言語空間に重要な記号をリプログラミングし、LLMが時間的文脈を捉え、欠落した値に対する推論を可能にする。 高レベルの欠如の下では堅牢なパフォーマンスを維持しており、これは実際の臨床シナリオでよく見られる。
  論文  参考訳（メタデータ） (2025-09-26T09:44:16Z)
• 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)
• TRLS: A Time Series Representation Learning Framework via Spectrogram for Medical Signal Processing [17.86697534018046]
  我々は、より情報的な表現を得るために、Spectrogram (TRLS)を介して時系列(医療信号)表現学習フレームワークを提示する。 入力時間領域の医療信号をスペクトログラムに変換し、TFRNN(Time Frequency RNN)と呼ばれる時間周波数エンコーダを設計し、より堅牢なマルチスケール表現をキャプチャする。
  論文  参考訳（メタデータ） (2024-01-06T02:26:02Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders [1.9659095632676098]
  本稿では,既存手法の限られた精度を克服するために,GraphTSというネットワーク開発手法を提案する。 この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。 結果として得られるネットワークは、健康なサンプルと患者のサンプルを区別することができる。
  論文  参考訳（メタデータ） (2021-08-16T06:44:48Z)

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。