論文の概要: Curriculum-Aware Interpolate-then-Refine: Learned Physiological Time-Series Imputation under Realistic Missingness
- arxiv url: http://arxiv.org/abs/2608.21207v1
- Date: Fri, 21 Aug 2026 15:21:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.618457
- Title: Curriculum-Aware Interpolate-then-Refine: Learned Physiological Time-Series Imputation under Realistic Missingness
- Title（参考訳）: カリキュラム・アウェア・インターポーレート-Then-Refine:学習された生理的時系列インプット
- Abstract要約: 臨床データに侵入する欠如に対処するためには、生理学的な時系列が不可欠である。
あるベンチマークによれば、単純な線形計算は、現実的なギャップを持つ実世界の臨床信号において、すべての学習されたインプタよりも優れていた。
これは、一般的なインプットが無視する生理的欠如の2つの特性を反映していることを示す。
- 参考スコア（独自算出の注目度）: 39.80184723814808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Imputing physiological time series (arterial blood pressure, blood glucose, etc.) is essential for addressing the missingness that pervades clinical data. Yet modern imputation methods perform poorly in this domain: a recent benchmark found that simple linear interpolation outperformed every learned imputer on real-world clinical signals with realistic gaps. We show that this reflects two properties of physiological missingness that generic imputers ignore: gaps may occur when the signal is clinically extreme rather than typical, and gap lengths can easily span orders of magnitude. To this end, we introduce Curriculum-Aware Interpolate-then-Refine (CAIR), a two-stage framework for physiological time-series imputation. Our key motivation is to learn a coarse base curve and then repeatedly correct it toward physiological realism, rather than predict a gap in a single pass. Consequently, CAIR couples a bidirectional-GRU interpolator with a Transformer refiner that corrects its own estimate over three successive passes, trained jointly under a broad, signal-agnostic random-gap curriculum. We evaluate imputers stratified by gap length and missingness mechanism (MCAR, MAR, NMAR) rather than by a single average, and CAIR is the most accurate under every mechanism on continuous glucose monitoring (AI-READI) and arterial pressure in intensive care (MIMIC-III). Its margin over the strongest baseline grows with difficulty, from 9% under MCAR to 19% under value-dependent dropout, where generic learned imputers are weakest. We further show low reconstruction error alone does not recover the burden metrics clinicians act on: interpolants matching CAIR's error fail to preserve those metrics, imputers that recover them are far less accurate, and CAIR alone ranks among the best on both axes.
- Abstract（参考訳）: 臨床データに侵入する欠如に対処するためには、生理的時系列(血圧、血糖値など)が不可欠である。
最近のベンチマークでは、単純な線形補間は現実的なギャップを持つ実世界の臨床信号において、すべての学習されたインプタよりも優れていた。
信号が典型的ではなく臨床的に極端な場合、ギャップが生じる可能性があり、ギャップ長は容易に桁数にまたがる可能性がある。
この目的のために,生理的時系列計算のための2段階のフレームワークであるCAIR(Curriculum-Aware Interpolate-then-Refine)を紹介した。
私たちの主要な動機は、粗いベースカーブを学習し、単一のパスのギャップを予測するのではなく、生理的リアリズムに向けて繰り返し修正することにあります。
その結果、CAIRは双方向GRU補間器とTransformerリファクタを結合し、広義の信号に依存しないランダムギャップのカリキュラムの下で、連続した3回のパスで独自の推定値を補正する。
CAIRは集中治療における連続血糖モニタリング(AI-READI)と動脈圧(MIMIC-III)のすべてのメカニズムにおいて最も正確である。
最強のベースラインに対するマージンは、MCARが9%、値依存的なドロップアウトが19%、一般的な学習インプタが最も弱いため、困難に成長する。
CAIRのエラーにマッチする補間剤はこれらの指標を保存するのに失敗し、それらを回復するインピュータははるかに精度が低く、CAIR単独はどちらの軸でも最良である。
関連論文リスト
- TRUE-Colon: Exposing a Consistent Transfer Asymmetry in Real-Time Polyp Detection [5.961408803838967]
大腸内視鏡検査のためのコンピュータ支援検出システムは,臨床ミス率の低減を約束するが,実世界の信頼性は高い。
我々は,ローカライゼーションの精度とともに,主要なデプロイメント特性を測定するための標準化されたベンチマークプロトコルを確立する。
キュレートされたクリップに厳格に訓練されたモデルは、フルプロシージャで評価すると、深刻な性能低下を被る。
コンボリューション検出器は高いスループットで競争力を維持する一方、トランスフォーマー検出器は最も感度が高く、最も早く、最も永続的な検出を実現する。
論文 参考訳（メタデータ） (2026-08-13T19:13:54Z) - Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。
テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
論文 参考訳（メタデータ） (2026-06-17T08:10:30Z) - FlatASCEND: Autoregressive Clinical Sequence Generation with Continuous Time Prediction and Association-Based Pharmacological Testing [1.7865154997539017]
平坦な複合トークンを用いた14.5Mパラメータ自己回帰臨床シーケンスモデルであるFlatASCENDと、ゼロインフレーションされた対数正規時間ヘッドを提案する。
プロンプトシャッフルアブレーションは、患者固有の条件付けが機械的薬理学的効果を増幅することを示している。
生成的証拠は短水平ICUデータにとって最強であり、外来患者の時間的忠実度は弱くなっている。
論文 参考訳（メタデータ） (2026-04-13T11:43:51Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - The Stationarity Bias: Stratified Stress-Testing for Time-Series Imputation in Regulated Dynamical Systems [0.098314893665023]
時系列計算ベンチマークはランダムマスキングと形状に依存しないメトリクスを使用する。
我々は、このバイアスを形式化し、評価を定常型と過渡型に分割するemphStratified Stress-Testを提案する。
論文 参考訳（メタデータ） (2026-02-17T15:05:56Z) - Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。
従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。
本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
論文 参考訳（メタデータ） (2026-01-12T15:03:53Z) - Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。
5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。
提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
論文 参考訳（メタデータ） (2025-12-16T16:33:59Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳（メタデータ） (2023-03-21T17:16:01Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z)
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。