論文の概要: Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision

• arxiv url: http://arxiv.org/abs/2607.27274v2
• Date: Fri, 31 Jul 2026 05:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.309981
• Title: Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision
• Title（参考訳）: 脳波による疾患診断の再考 : 主観レベルスーパービジョンからのインスタンス表現学習の分離
• Abstract要約: 複数のインスタンス学習は、各対象をバッグとして扱うことによって、継承されたラベルを避ける。 対象レベルの監視からインスタンス表現学習を分離するフレームワークであるBridgeMILを提案する。
• 参考スコア（独自算出の注目度）: 10.89572639873158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EEG-based disease diagnosis requires one prediction per subject, yet common pipelines segment recordings into short instances, inherit the subject label for every instance, and train instance-level classifiers. This assumes that all instances provide equally reliable diagnostic evidence. Multiple instance learning (MIL) avoids inherited labels by treating each subject as a bag. However, EEG datasets contain far fewer subjects than instances, which can limit the quality of the representations learned by end-to-end MIL. We propose BridgeMIL, a two-stage framework that decouples instance representation learning from subject-level supervision. Stage 1 pretrains the encoder without inherited instance labels by aligning temporally nearby windows and independently sampled within-subject sub-bags. Variance and covariance regularization prevent collapse and reduce redundancy without negative pairs. Stage 2 transfers the encoder to an attention-based MIL aggregator, applies supervision only to subject predictions, and limits representation drift through feature retention. Across three EEG disease datasets and five representative backbones, BridgeMIL attains the highest mean accuracy in 14 of 15 dataset-backbone settings and an overall mean accuracy of 76.57%, 4.28 percentage points higher than the strongest baseline. Further analyses reveal substantial variation in inherited-label reliability across instances, greater performance sensitivity to subject scarcity than to instance scarcity, and a more structured representation space with distinct subject-wise clusters and improved separation between diagnostic classes. Together, these findings underscore the importance of aligning supervision with the subject-level prediction objective while learning from abundant EEG instances without assigning disease labels to individual instances.
• Abstract（参考訳）: EEGベースの疾患診断には、被験者毎の予測が1つ必要だが、一般的なパイプラインは、録音を短いインスタンスに分割し、各インスタンスの主題ラベルを継承し、インスタンスレベルの分類器を訓練する。 これは、全ての事例が同様に信頼できる診断証拠を提供すると仮定する。 多重インスタンス学習(MIL)は、各対象をバッグとして扱うことで、継承されたラベルを避ける。 しかし、EEGデータセットは、インスタンスよりもはるかに少ない主題を含んでいるため、エンドツーエンドのMILで学んだ表現の品質を制限できる。 対象レベルの監視からインスタンス表現学習を分離する2段階フレームワークであるBridgeMILを提案する。 ステージ1は、時間的に近くのウィンドウを調整し、個別にサブオブジェクト内のサブバッグをサンプリングすることで、インスタンスラベルを継承せずにエンコーダを事前訓練する。 ばらつきと共分散規則化は、負のペアなしで崩壊を防ぎ、冗長性を減少させる。 ステージ2は、エンコーダを注意に基づくMILアグリゲータに転送し、被写体予測のみに監督を適用し、特徴保持を通じて表現のドリフトを制限する。 EEGの3つのデータセットと5つの代表的なバックボーンの中で、BridgeMILは15のデータセットバックボーン設定のうち14で最高平均精度に達し、全体の平均精度は76.57%で、最強のベースラインよりも4.28ポイント高い。 さらに、事例間でのラベルの信頼性の大幅な変動、被写体不足に対するパフォーマンスの感度の向上、個別の主観的クラスタによるより構造化された表現空間、診断クラス間の分離の改善などを明らかにした。 これらの知見は, 疾患ラベルを個別の症例に割り当てることなく, 豊富な脳波症例から学習しながら, 対象レベルの予測目標と監督を整合させることの重要性を浮き彫りにした。

関連論文リスト

• Re-thinking Mammography Transfer Learning: The Dataset-Informed Transfer Learning (DITL) Framework for Breast Cancer Screening and Lesion Diagnosis [3.616534682321388]
  本稿では,データセット由来の難易度信号と近隣3重項監視を統合したデータセットインフォームド・トランスファー学習フレームワークを提案する。 DITLは、全乳房密度分類における最先端のパフォーマンスを達成し、精度、F1スコア、AUCを大きく改善した。 大規模な密度推定で小さな病変解析をブリッジすることにより、DITLは臨床的に関連性があり、スケーラブルで、一般化可能なマンモグラフィ分類の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-07-28T17:52:36Z)
• Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis [49.89578655034085]
  本稿では,障害診断のためのドメイン認識型階層的コントラスト学習(DAHCL)という統合フレームワークを提案する。 DAHCLは、ソースドメインの幾何学的特徴を捉え、異種ソースドメイン間の擬似ラベル予測を校正する。 また,動的信頼層化とファジィコントラスト監視を組み合わせた階層型コントラスト学習モジュールを開発した。
  論文  参考訳（メタデータ） (2026-04-22T08:41:27Z)
• Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
  本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。 我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。 SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-04-07T04:19:39Z)
• Preventing Data Leakage in EEG-Based Survival Prediction: A Two-Stage Embedding and Transformer Framework [0.6509758931804478]
  深層学習モデルは、心停止後のコマトース患者の脳波による予後予測において有望であることが示されている。 しかし、その信頼性はしばしば微妙なデータ漏洩によって損なわれます。 本研究では,多段階脳波モデリングパイプラインにおいて,これまで見過ごされていたデータ漏洩形態を同定する。
  論文  参考訳（メタデータ） (2026-03-26T21:28:23Z)
• Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation [53.94176748542936]
  本稿では、インスタンスレベルの正確な核分割のためのインスタンス対応ロバスト整合性正規化ネットワーク(IRCR-Net)を提案する。 病理画像に核形態学的な先行知識を取り入れ,これらの先行知識を用いてラベルのないデータから生成された擬似ラベルの品質を評価する。
  論文  参考訳（メタデータ） (2025-10-10T12:32:32Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Hetero-Modal Learning and Expansive Consistency Constraints for Semi-Supervised Detection from Multi-Sequence Data [17.61150090710327]
  MTHDは、オブジェクトセンターとサイズのソフトアウトプットに妥協することなく平均教師アプローチを定式化します。 MTHDは、幾何変換とランダムシーケンスの組み合わせを含む、拡張的な一貫性の制約を取り入れている。 最大MR病変データセットを用いた肝病変検出におけるMTHDのトレーニングと評価(5千以上の患者1099名)。
  論文  参考訳（メタデータ） (2021-03-24T03:52:06Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。