論文の概要: BioSync: Transformer-Based Cross-Modal Fusion for a Multimodal Physiological Digital Biomarker

• arxiv url: http://arxiv.org/abs/2609.04504v1
• Date: Thu, 03 Sep 2026 21:45:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.8372
• Title: BioSync: Transformer-Based Cross-Modal Fusion for a Multimodal Physiological Digital Biomarker
• Title（参考訳）: BioSync: Multimodal Physiological Digital Biomarkerのためのトランスフォーマーを用いたクロスモーダルフュージョン
• Abstract要約: BioSyncは、BESTフレームワークで定義された連続複合デジタルバイオマーカーである。 このモデルは、モダリティトークンにマルチヘッド自己アテンションを適用し、仮説クラスが標準的特徴連結を含む線形分岐を追加する。 文献インフォームドされた2種類の合成コホート上でのBioSyncの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac, neural, behavioral, and speech measurements from wearable and mobile devices provide partial, noise-sensitive views of physiological state. BioSync combines these measurements into the \textbf{BioSync Index (BSI)}, a continuous composite digital biomarker defined under the BEST framework. The model applies multi-head self-attention to modality tokens and adds a linear branch whose hypothesis class includes standard feature concatenation. This architecture is motivated by latent-variable measurement theory and by the possibility that joint observations contain information unavailable from individual modalities. We evaluated BioSync on two literature-informed synthetic cohorts: a four-modality cognitive-decline cohort using HRV, EEG, actigraphy, and speech, and a metabolic-autonomic cohort structured around the public AI-READI wearable schema. In the cognitive cohort, BioSync and concatenation obtained AUCs of 0.928 and 0.926, respectively. In the metabolic cohort, BioSync obtained accuracy/F1 of 0.764/0.766, compared with 0.756/0.758 for concatenation. The BSI correlated with latent severity in both cohorts ($r=0.91$ and $r=0.68$). A pure-attention ablation obtained cognitive-cohort AUC 0.911, locating the increase to 0.928 in the combined wide-and-deep architecture. With matched modality-dropout training, BioSync led concatenation at five of six cognitive-cohort corruption rates and at the highest metabolic-cohort rate. Its cognitive-cohort AUC was also higher than five published digital-biomarker reference values, although differences in datasets and tasks preclude a controlled benchmark claim. Comparison with single-modality, early-fusion, and late-fusion designs across six prespecified criteria identifies the model's computational properties; validation on real cohorts remains necessary.
• Abstract（参考訳）: ウェアラブルおよびモバイルデバイスからの心臓、神経、行動、および音声測定は、生理状態の部分的、ノイズに敏感なビューを提供する。 BioSync はこれらの測定結果を BEST フレームワークで定義された連続複合デジタルバイオマーカーである \textbf{BioSync Index (BSI) に組み合わせている。 このモデルは、モダリティトークンにマルチヘッド自己アテンションを適用し、仮説クラスが標準的特徴連結を含む線形分岐を追加する。 このアーキテクチャは、潜在変数測定理論と、共同観測が個々のモダリティから入手できない情報を含んでいる可能性によって動機付けられている。 我々は,HRV,EEG,アクチグラフィ,音声を用いた4モード認知デクラインコホートと,公的なAI-READIウェアラブルスキーマを中心に構築されたメタボリック・自律コホートの2つの文献インフォーム合成コホートについて,BioSyncを評価した。 認知コホートでは、BioSyncとconcatenationはそれぞれ0.928と0.926のAUCを得た。 代謝コホートでは、BioSyncは0.764/0.766の精度/F1を得た。 BSIは両方のコホート(r=0.91$およびr=0.68$)の潜伏重大度と相関した。 純粋アテンションアブレーションにより認知コホートAUC 0.911が得られ、広深度と深度を組み合わせたアーキテクチャでは0.928に増加した。 一致したモダリティ・ドロップアウトトレーニングにより、BioSyncは6つの認知的コホート汚職率のうち5つと最も高いメタボリック・コホート率で結合を導いた。 認知コホートAUCは5つのデジタルバイオマーカー基準値よりも高かったが、データセットやタスクの違いは、制御されたベンチマークのクレームを妨げている。 6つの既定基準にまたがる単一モダリティ、早期融合、レイトフュージョン設計との比較では、モデルの計算特性が明確であり、実際のコホートに対する検証は依然として必要である。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• CMKL: Modality-Aware Continual Learning for Evolving Biomedical Knowledge Graphs [11.909154331954456]
  本稿では, 構造, テキスト, 分子を符号化し, それまでの知識を保護した生物医学的KGのためのCLフレームワークを提案する。 CMKLを129K-entity Biomedical continual benchmarkで10タスクで評価した。
  論文  参考訳（メタデータ） (2026-05-11T13:03:37Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• CoDaS: AI Co-Data-Scientist for Biomarker Discovery via Wearable Sensors [44.01195029438923]
  バイオマーカー発見を反復的プロセスとして構築するシステムであるCoDaS(AI Co-Data-Scientist)を紹介する。 コホートは計9,279人、CoDaSは41人のメンタルヘルスと25人のメタボリックな結果を得た。 CoDaSは、両データセットの概日不安定性に関連する特徴を睡眠時間変動に反映した。
  論文  参考訳（メタデータ） (2026-04-16T04:47:55Z)
• GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
  CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。 臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
  論文  参考訳（メタデータ） (2026-03-21T15:09:06Z)
• Detecting Neurovascular Instability from Multimodal Physiological Signals Using Wearable-Compatible Edge AI: A Responsible Computational Framework [0.0]
  ウェアラブル互換の生理信号から神経血管不安定性(NVI)を検出するためのマルチモーダルMLフレームワークであるMeraguardを提案する。 毎年1220万回のインシデントストロークで、連続したマルチモーダルな生理的モニタリングは、コミュニティスケールのスクリーニングへの実践的なパスを提供する。
  論文  参考訳（メタデータ） (2026-03-20T19:17:46Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
  本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。 提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
  論文  参考訳（メタデータ） (2024-10-09T11:17:02Z)
• Hybrid X-Linker: Automated Data Generation and Extreme Multi-label Ranking for Biomedical Entity Linking [45.16091578348614]
  最先端のディープラーニングエンティティリンク手法は、広範囲にわたる人間のラベル付きデータに依存している。 現在のデータセットのサイズは限られており、バイオメディカルな概念が不十分である。 大規模トレーニングデータセットを作成するために,データの自動生成を提案する。
  論文  参考訳（メタデータ） (2024-07-08T18:04:22Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。