論文の概要: Reassessing the Feasibility of PPG-Based Non-Invasive Blood Glucose Level Estimation

• arxiv url: http://arxiv.org/abs/2608.01820v1
• Date: Mon, 03 Aug 2026 07:28:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.380566
• Title: Reassessing the Feasibility of PPG-Based Non-Invasive Blood Glucose Level Estimation
• Title（参考訳）: PPGによる非侵襲的血糖値推定の可能性の再検討
• Abstract要約: 光胸腺造影による非侵襲的血糖値推定は、ウェアラブルの健康モニタリングに非常に有望である。 研究全体にわたる結果は、一貫性のないデータセット、データ漏洩、および標準化されていない評価指標のために比較が難しい。 本稿では,最初に再現可能な一般化評価パイプラインを提示し,公開データセット上で5つの代表的なPSGベースのBGL手法を再評価する。
• 参考スコア（独自算出の注目度）: 4.858400901291069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-invasive blood glucose level (BGL) estimation from photoplethysmography (PPG) holds great promise for wearable health monitoring, but results across studies are hard to compare due to inconsistent datasets, data leakage, and non-standardized evaluation metrics. We present the first reproducible, extensible evaluation pipeline and use it to reassess five representative PPG-based BGL methods on published datasets under three increasingly strict data-split protocols: random window-level, participant-aware, and leave-some-participants-out (LSPO). Models appeared competitive under random splitting but collapsed under participant-aware and LSPO evaluation, with nearly all yielding near-zero or negative R$^2$ values comparable to a mean-prediction baseline. Critically, across every model and split, over 90% of predictions fell within clinically acceptable zones (Clarke Error Grid A+B), including the baseline. This reveals a fundamental disconnect: clinical zone metrics systematically conceal model failure in this domain. Our findings demonstrate that random train-test splits substantially overestimate the generalization of PPG-based BGL models due to sample-level data leakage, and that robust ML evaluation must precede clinical validation to meaningfully assess real-world utility.
• Abstract（参考訳）: 光胸腺撮影(PPG)による非侵襲的血糖値(BGL)推定は、ウェアラブルの健康モニタリングに大いに貢献するが、不整合データセット、データ漏洩、および非標準化された評価指標により、研究全体での結果を比較することは困難である。 我々は,まず,再現性,拡張性を備えた評価パイプラインを提示し,これらを用いて,ランダムウィンドウレベル,参加者認識,離脱参加者アウト(LSPO)という3つの厳格なデータスプリットプロトコルの下で,公開データセット上の5つの代表的なPSGベースのBGLメソッドを再評価する。 ランダムスプリッティングではモデルが競合するが、参加者認識とLSPO評価では崩壊し、ほぼ全てが平均予測基準値に匹敵するほぼゼロまたは負のR$^2$値が得られた。 重要な点として、すべてのモデルと分割において、90%以上の予測が臨床的に許容できる範囲(Clarke Error Grid A+B)に落ち込んだ。 この領域におけるモデル障害を体系的に隠蔽する臨床ゾーンのメトリクス。 本研究は,サンプルレベルのデータ漏洩によるPSGベースのBGLモデルの一般化を,ランダムな列車試験の分割が著しく過大評価していることを示し,ロバストML評価が実世界の実用性を有意に評価するためには,臨床検証に先立って行う必要があることを示した。

関連論文リスト

• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models [0.1274452325287335]
  12の病理基盤モデル(PFM)とResNetのベースラインをベンチマークした。 PFMは、堅牢性とドメインの一般化の両方においてCNNを一貫して上回っているが、モデルスケーリングはリターンの低下を示している。 NR-Kfold解析では,訓練とテストの類似性が破られた場合,系統的精度の低下と変動の増大が明らかになった。
  論文  参考訳（メタデータ） (2026-07-05T16:49:09Z)
• Uncertainty-based Debiasing and Unlearning for Decontamination [12.593872705071114]
  不確実性に基づく除染(UBD)は、汚染されたモデルやサンプルが汚染された知識を必要とせず、サンプルごとの記憶を推定する。 UBDは、パラフレーズや選択置換ベースラインよりも、汚染されていないモデルの出力分布にかなり近いサンプル単位の出力分布を生成する。
  論文  参考訳（メタデータ） (2026-06-22T13:26:29Z)
• A Theoretical Framework for Statistical Evaluability of Generative Models [57.9316356505791]
  本稿では、生成モデルを評価するための理論的枠組みを導入し、一般的なメトリクスに対する評価結果を確立する。 テストベースのメトリクス、例えば積分確率測定(IPM)とレニイ発散(Rényi divergences)の2つのカテゴリについて検討する。 任意の有界テストクラスに対するIPMは、乗法および加法近似誤差まで有限標本から評価できることを示す。 対照的に、レニイとKLの発散は、希少事象によってその値が批判的に決定されるため、有限標本から評価できない。
  論文  参考訳（メタデータ） (2026-04-07T01:53:59Z)
• A Proper Scoring Rule for Virtual Staining [36.30255186056603]
  既存の評価プロトコルは、予測された後部よりもデータセット上の限界分布の精度を確認するのみである。 本稿では,情報ゲイン(IG)をセルワイズ評価フレームワークとして導入し,予測後部の直接評価を可能にする。
  論文  参考訳（メタデータ） (2026-02-26T18:09:49Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Multimodal Posterior Sampling-based Uncertainty in PD-L1 Segmentation from H&E Images [0.4697971908036153]
  本稿では,H&E染色組織像から直接PD-L1の発現を推定するベイズ分類フレームワークnnUNet-Bを提案する。 肺扁平上皮癌のデータセットを用いて,本手法は確立された基線に対する競合性を示す。 これらの結果は、不確実性を考慮したH&EベースのPD-L1予測が、スケーラブルで解釈可能なバイオマーカー評価への有望なステップであることを示唆している。
  論文  参考訳（メタデータ） (2025-11-14T17:05:13Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Efficient Estimation and Evaluation of Prediction Rules in Semi-Supervised Settings under Stratified Sampling [6.930951733450623]
  本稿では,2段階の半教師付き学習(SSL)手法を提案する。 ステップIでは、非ランダムサンプリングを考慮した非線形基底関数による重み付き回帰により、欠落ラベルをインプットする。 ステップIIでは、結果の予測器の整合性を確保するために、初期計算を増強する。
  論文  参考訳（メタデータ） (2020-10-19T12:54:45Z)

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。