論文の概要: NeoTriFuse: Reliability-Aware Multimodal Fusion under Missingness Heterogeneity for Neonatal Mortality Risk Prediction

• arxiv url: http://arxiv.org/abs/2608.26436v1
• Date: Wed, 26 Aug 2026 22:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.196552
• Title: NeoTriFuse: Reliability-Aware Multimodal Fusion under Missingness Heterogeneity for Neonatal Mortality Risk Prediction
• Title（参考訳）: NeoTriFuse:新生児死亡リスク予測のための欠失不均一下での信頼性を考慮したマルチモーダル核融合
• Authors: Jiyuan Tian, Qincheng Shen, Ye Lin, Yu Gao, Haohui Lu,
• Abstract要約: NeoTriFuseは、不均一な新生児モニタリングデータのための信頼性に配慮したマルチモーダルフュージョンフレームワークである。 静的な周産期変数、局所的な時間エンコーダ、患者レベルの統計要約を統合している。 F1スコアは0.6736 +/- 0.0216、AUROCは0.9454 +/- 0.0056である。
• 参考スコア（独自算出の注目度）: 7.158905237801069
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neonatal mortality risk prediction from bedside monitoring data remains challenging due to extreme class imbalance, heterogeneous clinical risk factors, multi-scale temporal dynamics, and substantial missingness. We propose NeoTriFuse, a reliability-aware multimodal fusion framework for missingness-heterogeneous neonatal monitoring data. Unlike conventional multimodal approaches that treat missingness primarily as a preprocessing issue, NeoTriFuse models missingness as an explicit reliability signal that dynamically modulates modality contributions during fusion. The framework integrates static perinatal variables, local-global temporal encoders, and patient-level statistical summaries through reliability-guided gating mechanisms, while jointly optimizing mortality prediction and an auxiliary length-of-stay objective. NeoTriFuse achieves competitive performance, with an F1 score of 0.6736 +/- 0.0216 and an AUROC of 0.9454 +/- 0.0056. Ablation studies indicate that the local-global temporal architecture and patient-level summary branch contribute most substantially to predictive performance, while reliability-aware gating provides additional improvements on threshold-dependent metrics under heterogeneous observation completeness. Sensitivity analyses further suggest stable performance across nearby hyperparameter settings. Overall, the findings support reliability-aware multimodal fusion as a practical approach for neonatal mortality prediction under realistic clinical missingness conditions.
• Abstract（参考訳）: ベッドサイドモニタリングデータによる新生児死亡リスクの予測は、過度のクラス不均衡、異種臨床リスク要因、マルチスケールの時間的ダイナミクス、重大な欠如により、依然として困難である。 そこで我々はNeoTriFuseを提案する。NeoTriFuseは、不均一な新生児モニタリングデータに対する信頼性を考慮したマルチモーダル融合フレームワークである。 主に前処理の問題として欠如を扱う従来のマルチモーダルアプローチとは異なり、NeoTriFuseは欠如を明示的な信頼性信号としてモデル化し、融合時のモダリティ寄与を動的に変調する。 このフレームワークは、静的な周産期変数、局所的時間エンコーダ、および患者レベルの統計的要約を信頼性誘導ゲーティング機構を介して統合し、共同最適化による死亡予測と補助的目標の最適化を行う。 NeoTriFuse は F1 スコアが 0.6736 +/- 0.0216、AUROC が 0.9454 +/- 0.0056 である。 アブレーション研究は, 局所的な時間的構造と患者レベルの要約枝が予測性能に大きく寄与することを示し, 信頼性に配慮したゲーティングは, 不均一な観測完全性の下でのしきい値依存性の指標にさらなる改善をもたらすことを示唆している。 感度解析により、近隣のハイパーパラメータ設定における安定した性能が示唆される。 以上より, 本研究は, 乳幼児死亡予測の実際的アプローチとして, 信頼性に配慮したマルチモーダル・フュージョン(Multimodal fusion)が有効であった。

関連論文リスト

• Adaptive Confidence-weighted Expansion for Trustworthy Multi-Omics Multimodal Fusion [0.8749675983608171]
  マルチモーダル融合モデルの信頼性を高めるために,適応信頼度重み付き拡張(ACE)を導入する。 ACEは、分類性能と信頼性キャリブレーションの両方において、既存の最先端アルゴリズムよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-07-22T21:42:16Z)
• Uncertainty-Aware Longitudinal Forecasting of Alzheimer's Disease Progression Using Deep Learning [10.269961654607108]
  本稿では,オーディナル診断予測,マルチ水平軌道生成,不確実性推定を組み合わせた確率的フレームワークを提案する。 ADNIでは、リニア、リカレント、トランスフォーマーのベースラインを上回り、次世代の診断予測を行う。
  論文  参考訳（メタデータ） (2026-06-23T14:04:27Z)
• Evidential Fusion Network for Multimodal Survival Prediction under Missing Modalities [12.806056204055393]
  欠落モード下でのマルチモーダル生存予測のためのEvidential Missing Modality Survival Fusionモデルを提案する。 EMMSは、欠落したデータに生成フェーズを必要とせずに、サバイバル分析に単純で効率的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-06-18T09:16:00Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• 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)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。