論文の概要: Zero-Shot Respiratory Sound Classification through LLM-Augmented Audio-Text Alignment

• arxiv url: http://arxiv.org/abs/2609.00055v1
• Date: Sun, 30 Aug 2026 11:49:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.801711
• Title: Zero-Shot Respiratory Sound Classification through LLM-Augmented Audio-Text Alignment
• Title（参考訳）: LLM強化オーディオテキストアライメントによるゼロショット呼吸音の分類
• Abstract要約: 自己監督型呼吸エンコーダは、ゼロショット推論に必要な臨床領域のセマンティックグラウンドを欠いている。 本稿では,これらのエンコーダと医療用語を共用するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 29.08356862626618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised respiratory encoders lack semantic grounding in clinical domain needed for zero-shot inference, limiting their utility without task-specific labeled data. We propose a framework that aligns these encoders with medical terminology in a shared latent space turning them into a zero-shot-capable foundation model. To address paired data scarcity, we use a medical LLM to synthesize structured reports from metadata, creating dense semantic anchors for contrastive learning. Our training combines a sigmoid-based contrastive loss with encoder's native SSL objective and similarity-aware negative sampling to sharpen pathological boundaries. Across 9 tasks on 6 datasets, our method achieves a 61.3% mean zero-shot AUC, surpassing CLAP (51.4%) and Qwen2-Audio (54.9%) while reaching the highest linear probing AUC (71.6%) with only 43% of data used by full-scale baselines, showing that structured semantic alignment outperforms large-scale, general-purpose models in clinical diagnostics.
• Abstract（参考訳）: 自己監督型呼吸エンコーダは、ゼロショット推論に必要な臨床領域のセマンティックグラウンドを欠き、タスク固有のラベル付きデータなしでその実用性を制限している。 本稿では,これらのエンコーダと医療用語を共用するフレームワークを提案する。 ペア化されたデータの不足に対処するために、医療用LLMを用いてメタデータから構造化されたレポートを合成し、コントラスト学習のための密接なセマンティックアンカーを作成する。 本トレーニングでは,シグモイドをベースとしたコントラスト損失と,エンコーダのネイティブSSL目標と類似性を考慮したネガティブサンプリングを併用し,病態境界を鋭くする。 6つのデータセット上の9つのタスクのうち、平均ゼロショットAUCは61.3%でCLAP(51.4%)とQwen2-Audio(54.9%)を上回り、最大線形探索AUC(71.6%)に到達した。

関連論文リスト

• Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
  アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。 我々は解剖学的参照としてFastSurferセグメンテーションを使用します。 私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
  論文  参考訳（メタデータ） (2026-09-14T17:13:12Z)
• Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
  ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。 3つの主要なコンポーネントを特徴とするフレームワークを提案する。 診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
  論文  参考訳（メタデータ） (2026-06-24T08:24:45Z)
• Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation [0.05597620745943382]
  ゼロショット視覚言語モデル (Zero-shot Vision-Language Model, VLMs) は、腫瘍容積のデライン化のためのタスク特化トレーニングに代わる、迅速な代替手段を提供する。 我々は,VoxTell内腫瘍データセットのアライメント方向について検討した。 アライメント分析により、解剖学的位置がVoxTellの空間的注意の主役であることが判明した。
  論文  参考訳（メタデータ） (2026-05-02T05:49:32Z)
• A Semi-Automated Annotation Workflow for Paediatric Histopathology Reports Using Small Language Models [0.0]
  本研究では,小言語モデル(SLM)を用いた資源効率のよい半自動アノテーションワークフローを開発し,構造化EPRデータから構造化情報を抽出する。 概念実証として、本ワークフローを小児腎生検報告、その制約された診断範囲と明確に定義された基礎生物学に応用した領域に適用する。 SLMを用いた自動情報抽出手法を開発しながら,本ワークフローを3つの会議の臨床的監視とともに反復的に開発し,グレート・オーモンド・ストリート病院の2,111件のデータセットから400件の報告をゴールドスタンダードとして手動で注釈付けする。
  論文  参考訳（メタデータ） (2026-04-05T16:15:39Z)
• Something from Nothing: Data Augmentation for Robust Severity Level Estimation of Dysarthric Speech [69.86604856129883]
  外科的音声品質評価(DSQA)は臨床診断と包括的音声技術において重要である。 本研究では,未ラベルの変形音声と大規模典型的な音声データセットを併用した3段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T23:00:07Z)
• Patient-Level Multimodal Question Answering from Multi-Site Auscultation Recordings [7.307923185691307]
  オースカルテーションは重要な診断ツールであるが、その実用性は主観的解釈によって制限されることが多い。 本稿では,多地点の聴取記録を,ゲート型クロスアテンションにより凍結したLarge Language Model (LLM) 埋め込み空間と直接整合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-09T10:29:47Z)
• A Detection-Gated Pipeline for Robust Glottal Area Waveform Extraction and Clinical Pathology Assessment [0.0]
  本稿では,ローカライザとセグメンタを統合した検出ゲートパイプラインを提案する。 パイプラインはGIRAFEとBAGLSベンチマークで最先端の一貫性を達成した。
  論文  参考訳（メタデータ） (2026-03-02T17:05:41Z)
• Language Models as Semantic Teachers: Post-Training Alignment for Medical Audio Understanding [15.79973026677169]
  事前訓練された音響モデルは、聴力音の音響パターンを検出するのに優れるが、臨床的意義を把握できないことが多い。 AcuLaは、医療用言語モデルと整合することで、任意のオーディオエンコーダに意味理解を組み込むフレームワークである。 我々の研究は、このオーディオ言語アライメントが純粋に音響モデルから臨床的に認識される診断ツールに変換することを実証している。
  論文  参考訳（メタデータ） (2025-12-04T14:30:58Z)
• Zero-Shot ATC Coding with Large Language Models for Clinical Assessments [40.72273945475456]
  解剖学的治療化学符号を処方記録に手動で割り当てることは重大なボトルネックである。 ローカル展開可能な大規模言語モデル(LLM)を用いた実践的アプローチを開発する。 GPT-4oを精度天井とし,プライバシに敏感なデプロイメントに適したオープンソースのLlamaモデルの開発に注力する。
  論文  参考訳（メタデータ） (2024-12-10T18:43:02Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Semi-Supervised Speech Recognition via Local Prior Matching [42.311823406287864]
  局所的な事前マッチングは、強い事前から知識を蒸留する半教師付き目的である。 我々は,LPMが理論的に良好であり,実装が容易であり,既存の知識蒸留技術よりも優れていることを実証した。
  論文  参考訳（メタデータ） (2020-02-24T16:07:11Z)

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。