論文の概要: What EEG Foundation Models Encode: Dataset Identity and a Negative-Control Suite for Clinical Benchmarks

• arxiv url: http://arxiv.org/abs/2607.24519v2
• Date: Sat, 01 Aug 2026 00:35:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.339005
• Title: What EEG Foundation Models Encode: Dataset Identity and a Negative-Control Suite for Clinical Benchmarks
• Title（参考訳）: EEGファンデーションモデルがコードするデータセットのアイデンティティと臨床ベンチマークのためのネガティブ・コントロル・スイート
• Abstract要約: LaBraM、EEGMamba、CBraMod、REVE、LEAD、BENDR、BIOTを4つのデータセットで5つの臨床タスクでベンチマークする。 我々は、より強力な古典的コンパレータ、ラベルの置換、スクランブルラベルの微調整、ランダム初期化制御による明らかなゲインに挑戦する。 結論はモンタージュマッチング、患者オーバーラップチェック、より強力なコンパレータ、表現制御後に大きく変化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained EEG foundation models are proposed for clinical decoding, but whether reported gains transfer across populations or survive negative controls is unclear. We benchmark LaBraM, EEGMamba, CBraMod, REVE, LEAD, BENDR, and BIOT on five clinical tasks across four datasets. Primary analyses use frozen linear probes with subject-disjoint LOSO or grouped five-fold validation. Because CAUEEG releases no patient identifiers, it is evaluated at recording level with a patient-disjoint sensitivity. We challenge apparent gains using stronger classical comparators, label permutation, scrambled-label fine-tuning, and random-initialisation controls. In a matched 19-channel CAUEEG evaluation (Normal/MCI/Dementia; N = 1,187 recordings), classical features achieve 0.734 macro-AUROC versus 0.699 for BIOT, 0.669 for CBraMod, and 0.568 for REVE. A patient-disjoint sensitivity retains the classical-over-REVE ordering (0.717 versus 0.565). Dataset identity is decoded from frozen REVE embeddings at or near ceiling across Western-Korean and Western-Western pairs, including after PCA-50 and removal of line-frequency and amplitude-scale information. This establishes dataset membership, not a causal site or population effect. A matched random-initialised encoder exceeds pretrained REVE on CAUEEG (0.659 versus 0.570). On CHB-MIT cross-subject ictal detection (n = 23), REVE reaches 0.793, versus 0.739 for the best enhanced nonlinear comparator, 0.701 for random initialisation, and 0.505 for raw-signal random features. Because preprocessing removes absolute amplitude, this does not establish superiority over every plausible handcrafted baseline. Conclusions change materially after montage matching, patient-overlap checks, stronger comparators, and representation controls. We distill these checks into a reporting protocol for clinical EEG foundation-model studies.
• Abstract（参考訳）: 脳波ファンデーションモデルが臨床復号のために提案されているが、報告された個体群間での利得の移動や負のコントロールの生存は不明確である。 LaBraM、EEGMamba、CBraMod、REVE、LEAD、BENDR、BIOTを4つのデータセットで5つの臨床タスクでベンチマークする。 一次解析では、主観解離LOSOまたはグループ化された5倍の検証を伴う凍結線形プローブを用いる。 CAUEEGは患者識別子を放出しないため、患者に不随意な感度で記録レベルで評価される。 我々は、より強力な古典的コンパレータ、ラベルの置換、スクランブルラベルの微調整、ランダム初期化制御による明らかなゲインに挑戦する。 19チャンネルのCAUEEG評価(Normal/MCI/Dementia; N = 1,187レコード)では、古典的特徴は0.734マクロAUROC、BIOTは0.699、CBraModは0.669、REVEは0.568となる。 患者と解離した感度は古典的なREVE順序(0.565対0.717)を維持している。 データセットのアイデンティティは、PCA-50以降のPCA-50やライン周波数および振幅スケール情報の除去を含む、西韓国と西欧のペアの天井付近の凍結されたREVE埋め込みからデコードされる。 これは、因果的場所や人口効果ではなく、データセットのメンバシップを確立する。 一致したランダム初期化エンコーダは、CAUEEG(0.659対0.570)上の事前訓練されたREVEを超える。 CHB-MITクロスオブジェクト・イクタル検出(n = 23)では、REVEは0.793、最高の拡張非線形コンパレータは0.739、ランダム初期化は0.701、生信号ランダム特徴は0.505に達する。 プリプロセッシングは絶対振幅を除去するので、これはもっとも手作りのすべてのベースラインよりも優位性を確立するものではない。 結論はモンタージュマッチング、患者オーバーラップチェック、より強力なコンパレータ、表現制御後に大きく変化する。 臨床脳波基礎モデル研究のための報告プロトコルにこれらのチェックを蒸留する。

関連論文リスト

• A Domain-Structured Ensemble Framework for Perioperative Outcome Prediction Using Electronic Health Record Data [0.0]
  周術期のリスク予測モデルは、狭い外科的人口、不完全なデータ、限られた解釈可能性によって制限されることが多い。 日常的に収集された電子健康記録(EHR)データを用いた結果予測のためのドメイン構造化アンサンブルフレームワークを提案する。 全国の保健情報交換所で行った5,386件の症例管理サンプルにおいて,術後デリリウムを用いた枠組みを実証した。
  論文  参考訳（メタデータ） (2026-08-09T21:15:12Z)
• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• EEG-SpikeAgent: Agentic Closed-Loop Program Synthesis for Automated EEG Spike Detection [0.0]
  本稿では,大規模言語モデル(LLM)エージェントシステムを用いて頭皮脳波のスパイク検出のための信号処理機能を生成するクローズドループプログラム合成フレームワークであるEEG-SpikeAgentを紹介する。 イテレーション全体を通じて、EEG-SpikeAgentは、モデルパフォーマンスによって通知される候補信号の特徴と決定ルールを提案し、洗練する。
  論文  参考訳（メタデータ） (2026-07-06T00:19:41Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Pretraining Objective Matters in Extreme Low-Data FGVC: A Backbone-Controlled Study [39.146761527401424]
  教師付き分類、コントラスト学習(SigLIP2)、マスク再構築(MAE)、自己蒸留(DINOv3)の4つの凍結型ViT-B/16エンコーダを比較した。 教師付きおよび対照的なエンコーダは、最も強い線形分離性(論理的AUC: 0.768 と 0.735; SVM AUC: 0.739 と 0.697)を提供する。 この領域では、DINOv3はプローブファミリーで不活性である。
  論文  参考訳（メタデータ） (2026-05-15T04:14:16Z)
• Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation [0.05597620745943382]
  ゼロショット視覚言語モデル (Zero-shot Vision-Language Model, VLMs) は、腫瘍容積のデライン化のためのタスク特化トレーニングに代わる、迅速な代替手段を提供する。 我々は,VoxTell内腫瘍データセットのアライメント方向について検討した。 アライメント分析により、解剖学的位置がVoxTellの空間的注意の主役であることが判明した。
  論文  参考訳（メタデータ） (2026-05-02T05:49:32Z)
• Open-Set Vein Biometric Recognition with Deep Metric Learning [0.0]
  我々は厳密なオープンセット制約の下でDeep Metric Learning(DML)の計算境界を厳格に評価する。 提案手法は,非ネイティブなL2正規化埋め込みを学習し,類似性しきい値を用いたプロトタイプベースマッチングを採用する。 大規模MMCBNU 6000ベンチマークでは、我々の最良のモデル(ResNet50-CBAM)がOSCR 0.9945、AUROC 0.9974、EER 1.57%を達成し、高い識別精度 (99.6% Rank-1) を維持しながら、未知の被験者を頑健に拒否する。
  論文  参考訳（メタデータ） (2026-04-16T11:03:11Z)
• The Value Sensitivity Gap: How Clinical Large Language Models Respond to Patient Preference Statements in Shared Decision-Making [0.6768558752130311]
  大規模言語モデル (LLM) は意思決定支援ツールとして臨床に導入されているが, 患者価値の明示的な記述に対する対応方法はまだ検討されていない。 我々は,98,759人の未確認メディケイド遭遇ノートから得られた臨床ヴィニグレットを用いて因子分析を行った。 全てのモデルでは、非コントロール試験の100%で患者の値を認めたが、実際の推奨シフトは控えめであった。
  論文  参考訳（メタデータ） (2026-02-12T21:42:21Z)
• 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)
• Knowledge Graph Augmented Large Language Models for Disease Prediction [24.992170033802537]
  知識グラフ(KG)誘導チェーン・オブ・シント(CoT)フレームワークは,MIMIC-IIIにおける来院レベルの疾患予測のための臨床基礎的推論を生成する。 ICD-9コードはPrimeKGにマッピングされ、病気関連ノードとマルチホップ推論パスが抽出され、CoT生成のための足場として使用される。 KG誘導モデルは、AUROC値0.66から0.70、マクロAUPR値0.40から0.47を達成し、強力な古典的ベースラインを上回った。 盲目臨床評価では,KG誘導型CoT説明の明瞭度,関連性,臨床正当性に一貫した嗜好を示す。
  論文  参考訳（メタデータ） (2025-12-01T02:49:17Z)
• 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)
• I Detect What I Don't Know: Incremental Anomaly Learning with Stochastic Weight Averaging-Gaussian for Oracle-Free Medical Imaging [2.384534878752428]
  異常ラベルを使わずに,信頼度の高い正規サンプル群を漸進的に拡張する,教師なしのオラクルフリーフレームワークを導入する。 凍結した事前訓練された視覚バックボーンは、小さな畳み込みアダプタで拡張され、無視できる計算オーバーヘッドを伴う高速なドメイン適応が保証される。 COVID-CXRでは、ROC-AUCは0.9489から0.9982に改善され、肺炎CXRでは0.6834から0.8968に上昇し、脳MRIではND-5では0.6041から0.7269に上昇する。
  論文  参考訳（メタデータ） (2025-11-05T23:28:14Z)
• Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models [0.0]
  糖尿病は世界中で5億3700万人を超え、2045年までに7億8300万人に達すると予測されている。 2つのハイブリッド分類器を比較し、外部コホート上での一般化性を評価する。
  論文  参考訳（メタデータ） (2025-09-24T21:18:52Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Collaborative residual learners for automatic icd10 prediction using prescribed medications [45.82374977939355]
  本稿では,処方用データのみを用いたicd10符号の自動予測のための協調残差学習モデルを提案する。 平均精度0.71および0.57のマルチラベル分類精度、F1スコア0.57および0.38の0.73および0.44の精度を取得し、患者および外来データセットの主診断をそれぞれ予測します。
  論文  参考訳（メタデータ） (2020-12-16T07:07:27Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。