論文の概要: Beyond Random Partitioning: Unsupervised Spatio-Temporal Stratification for Cohort Balancing in Longitudinal Medical Imaging
- arxiv url: http://arxiv.org/abs/2608.00073v1
- Date: Wed, 29 Jul 2026 09:33:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.385827
- Title: Beyond Random Partitioning: Unsupervised Spatio-Temporal Stratification for Cohort Balancing in Longitudinal Medical Imaging
- Title（参考訳）: ランダム分割を超えて : 縦断的医用画像におけるコホートバランスのための教師なし時空間成層
- Abstract要約: 標準化された6次元関節強度時間的特徴空間上での肘群K平均クラスタリングを組み合わせた非教師付き時間的コホートバランス標準動作手順(SOP)を定式化する。
コントラストが強化された$T1$-izable 脳MRIコホートでは、従来のランダムシャッフルでは最大サブセット強度バイアスが34.1%から2.1%以下に減少する。
- 参考スコア（独自算出の注目度）: 0.9530026127073782
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Rigorous dataset partitioning is a foundational, yet frequently overlooked, prerequisite for reliable deep learning in longitudinal medical imaging. Naively shuffling small clinical cohorts routinely introduces covariate shifts and temporal sampling imbalances across training, validation, and test subsets, exposing downstream models to out-of-distribution evaluation. We address this vulnerability with an auditable Tripartite Dataset Analytics Framework that systematically characterizes spatial grid integrity, multi-parametric intensity fingerprints, and longitudinal temporal trajectories, quantifying the heavy-tailed feature dispersion and irregular, episodic sampling intervals typical of real-world clinical cohorts. Building on this characterization, we formalize an unsupervised spatio-temporal cohort-balancing standard operating procedure (SOP) that combines elbow-optimized K-means clustering over a standardized, six-dimensional joint intensity-temporal feature space with intra-cluster proportionate stratified sampling. On a longitudinal, contrast-enhanced $T1$-weighted brain MRI cohort (N=149), the protocol reduces the maximum cross-subset intensity bias from 34.1% under conventional random shuffling to under 2.1%, while aligning longitudinal follow-up intervals closely around the population mean. Monte Carlo stress testing across ten random seeds and three split configurations confirms that this alignment remains tightly bounded, in clear contrast to the substantial variability of random partitioning. The resulting protocol offers a reproducible, generalizable procedure for cohort engineering in variable-length longitudinal clinical imaging workflows.
- Abstract（参考訳）: 厳密なデータセット分割は基礎的だが、しばしば見落とされ、縦断的医療画像における信頼できる深層学習の前提条件である。
小さな臨床コホートを自然にシャッフルすると、トレーニング、検証、テストサブセット間の共変量シフトと時間的サンプリングの不均衡が生じ、下流モデルがアウト・オブ・ディストリビューション・アセスメント(out-of-distriion evaluation)に露出する。
この脆弱性は,空間格子の整合性,多パラメータ強度指紋,縦方向の時間的軌跡を体系的に特徴付ける監査可能な3部データセット分析フレームワークを用いて対処し,実際の臨床コホートに典型的な重み付き特徴分散と不規則なエピソードサンプリング間隔を定量化する。
この特徴に基づいて,6次元関節強度時間特徴空間上の肘最適化K-meansクラスタリングとクラスタ内比重層サンプリングを組み合わせた,教師なし時空間コホートバランス標準動作手順(SOP)を定式化した。
対照的に、T1$-weighted 脳MRIコホート(N=149)では、従来のランダムシャッフル下での最大サブセット強度バイアスを34.1%から2.1%以下に減らし、人口平均付近で経時的なフォローアップ間隔を整列する。
モンテカルロは10個のランダムシードと3つの分割された構成でストレステストを行い、このアライメントがランダムパーティショニングの実質的なばらつきとは対照的に、厳密な境界を保っていることを確認した。
結果として得られたプロトコルは、可変長周期臨床画像ワークフローにおけるコホートエンジニアリングのための再現可能で一般化可能な手順を提供する。
関連論文リスト
- From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。
本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
論文 参考訳（メタデータ） (2026-09-06T05:43:22Z) - Implicit Neural Representations for Multimodal Longitudinal Image Imputation and Interpolation [0.43554874937871363]
腫瘍における経時的マルチパラメトリックMRIは経過観察の中心である。
実世界の臨床データは、欠落したシーケンス、不均一な取得プロトコル、時間点の様々な解像度によって特徴づけられる。
患者固有の暗黙的ニューラル表現(INR)を世界座標,時間,モダリティ条件の連続関数として,縦型MRIをモデル化する。
論文 参考訳（メタデータ） (2026-08-03T14:47:10Z) - I\textsuperscript{2}RiMA: Spectral Riemannian Representation with Temporal Attention for Mental Stress Detection based on EEG Signals [14.944883272011445]
識別的ストレス関連パターンは主観的依存と周波数依存の両方であるため、クロスオブジェクトEEGストレス検出は困難である。
脳波を用いたストレス検出のためのイントラインターリーマン多様体注意ネットワークを提案する。
精度は82.78%まで向上し、パラメータは1.60M、FLOPは31.95Mに留まった。
論文 参考訳（メタデータ） (2026-07-01T07:23:32Z) - From Observed Viability to Internal Predictive Approximation: A Single-Subject Latent-Space Analysis of Gait Dynamics Under Occlusal Constraint [0.0]
適応型バイオメカニカルシステムは、潜伏組織と縦方向の挙動が異なるが、同様の歩行性能を示す可能性がある。
本研究では,観測された歩行組織の経時変化が,予測潜在空間の枠組み内で近似できるかどうかを検討する。
論文 参考訳（メタデータ） (2026-05-15T11:23:44Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - Enhancing ALS Progression Tracking with Semi-Supervised ALSFRS-R Scores Estimated from Ambient Home Health Monitoring [3.210027230758067]
自己注意は、サブスケールレベルのモデルで最小の予測誤差を達成した。
機能領域にまたがる特異な均一性-均一性プロファイルを同定した。
論文 参考訳（メタデータ） (2025-07-13T02:56:40Z) - Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳（メタデータ） (2024-10-03T09:07:13Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。
さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳（メタデータ） (2023-06-27T08:15:28Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Tolerance and Prediction Intervals for Non-normal Models [0.0]
予測間隔は、繰り返しサンプリングにおいてランダムプロセスから将来の観察をカバーする。
寛容間隔は繰り返しサンプリングにおいて集団パーセンタイルをカバーし、しばしば中心的な量に基づいている。
論文 参考訳（メタデータ） (2020-11-23T17:48:09Z)
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。