論文の概要: SHIFT-M3: Pre-fusion Alignment-based Consistency Screening for Multimodal ECG Record Integrity

• arxiv url: http://arxiv.org/abs/2609.13874v1
• Date: Sat, 12 Sep 2026 10:58:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.596059
• Title: SHIFT-M3: Pre-fusion Alignment-based Consistency Screening for Multimodal ECG Record Integrity
• Title（参考訳）: ShiFT-M3:マルチモーダルECG記録統合のためのプレフュージョンアライメントに基づく一貫性スクリーニング
• Abstract要約: マルチモーダルな臨床AIは通常、波形、レポート、メタデータ、下流の予測が同一患者のものであると仮定する。 我々は、この問題をマルチモーダルレコード整合性トリアージとして研究している。 本稿では、2つの別々のECGテキストビュー間のアライメントベースの一貫性を測定する軽量テキストベースのプリフュージョンスクリーンShift-M3を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal clinical AI typically assumes that the waveform, report, metadata, and downstream predictions attached to a record belong to the same patient. In practice, linkage failures can silently assemble individually plausible but cross-patient components, creating a safety problem that standard predictive models are not designed to detect. We study this problem as multimodal record integrity triage: given an assembled record, should its modalities be trusted to belong together? We introduce SHIFT-M3, a lightweight text-based pre-fusion screen that measures alignment-based consistency between two separately produced ECG text views: an LLM-generated interpretation and a clinical report summary. On 784,680 MEETI ECG records, SHIFT-M3 achieves 97.6% TPR@5% FPR for full text-view swaps (AUROC 0.996), 90.3% for partial swaps (AUROC 0.974), and 97.7% for label-matched hard negatives (AUROC 0.996) with only 573,569 parameters. Compared with same-dataset lexical baselines, the gains are largest on partial swaps and hard negatives, suggesting that the model is learning more than surface overlap. We also introduce the CMST (Conflict-type Multimodal Stress Test) evaluation taxonomy, a three-seed stability study, a loss ablation, a temporal-tolerance sweep, and a shared-token masking control. The main remaining failure mode is longitudinal ambiguity: at the default operating point, same-patient cross-visit pairs still produce 87.0% Type-II false positives.
• Abstract（参考訳）: マルチモーダルな臨床AIは通常、波形、レポート、メタデータ、下流の予測が同一患者のものであると仮定する。 実際には、リンク障害は個々にもっともらしいが、患者の横断的なコンポーネントを静かに組み立てることができ、標準的な予測モデルが検出できるように設計されていない安全性の問題を引き起こす。 我々は、この問題をマルチモーダルレコード整合性トリアージとして研究している。 本稿では,2つの別々のECGテキストビュー間のアライメントベースの整合性を測定する軽量テキストベースのプリフュージョンスクリーンShift-M3について紹介する。 784,680 MEETI ECGレコードでは、ShiFT-M3はフルテキストビュースワップ(AUROC 0.996)に対して97.6%のTPR@5%、部分スワップ(AUROC 0.974)に対して90.3%、ラベルマッチングされたハードネガティブ(AUROC 0.996)に対して97.7%を達成している。 同じデータセットの語彙ベースラインと比較して、ゲインは部分スワップとハードネガで最大であり、モデルが表面重なり以上のことを示唆している。 また,CMST (Conflict-type Multimodal Stress Test) 評価分類,三種安定度調査,ロスアブレーション,時間耐性スイープ,共有マスクコントロールも導入した。 デフォルトの操作点では、同じ患者対が87.0%のType-II偽陽性を生成する。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• 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)
• Modalities Should Talk to Each Other: Dual-Stream Multimodal Learning for Long-Horizon Influenza Forecasting [1.2599533416395763]
  一般に入手可能な監視データセットは、通常、数値疫学的信号をノイズと組み合わせ、ゆるやかに構造化され、短期的な傾向にのみ間接的に関係しており、しばしば数値的な信号と相対的に関連付けられている。 我々は,36週間のマルチモーダル履歴から12週間のILI活動を予測するマルチモーダルディープラーニングフレームワークであるDual-Stream Attention (DSA)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:20:01Z)
• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• TMF-RSE: Tri-Modal Fusion with Regional Semantics and Evidential Uncertainty for Lung Severity Scoring [11.785230718509196]
  本稿では,2次元胸部入力による外観特徴,肺分画マスクによる構造特徴,重度定量化のための視覚言語モデルによる意味特徴を組み合わせた3次元深層学習フレームワークTMF-RSEを提案する。 提案手法では, セマンティックガイダンス, 構造的先行, 階層的相互作用を統合した相補的な融合機構を用いる。 Per-COVID-19 CTとRALOデータセットの実験は、TMF-RSEが最近のトランスフォーマーベースのベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2026-07-07T14:54:40Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• CADRE: Stable, Parameter Efficient Adaptation of Medical Vision Language Models with Bounded Forgetting and Prior Drift [0.10742675209112622]
  新しい画像モダリティのためのデプロイモデルの更新は、患者を傷つける2つの方法で静かに失敗する可能性がある。 本研究は,これらの2つの特性によるパラメータ効率の連続的適応について,リーダーボードの精度を忘れることなく検討する。 CADRE は低ランク適応 (LoRA) とオンラインの自己スケーリング,類似性を考慮した弾性重み付けという用語を組み合わせたフリーズバックボーンフレームワークである。
  論文  参考訳（メタデータ） (2026-06-22T15:34:32Z)
• Maximum Matching Accuracy: An Instance Segmentation Evaluation Metric Utilizing Globally Optimal Matching [39.3098730337656]
  本研究では,予測された真理オブジェクトと地上の真理オブジェクトの1対1の大域的最適マッチングを求める閾値フリー連続計量を提案する。 MMAは既存の代替品よりも安定で、感度が高く、解釈しやすいスコアを生成する。
  論文  参考訳（メタデータ） (2026-06-08T19:36:28Z)
• MuteBench: Modality Unavailability Tolerance Evaluation for Incomplete Multimodal Fusion [37.86089523035199]
  7つの臨床領域から9つのデータセットをカバーするベンチマークであるMuteBenchを提示する。 アーキテクチャファミリは、パラメータ数を上回る、ロバスト性の最も強い予測要因であることがわかった。 チャネルに依存しないモデルは、モダリティの欠如を許容するが、モダリティの欠如に敏感である。
  論文  参考訳（メタデータ） (2026-05-13T19:32:11Z)
• Multimodal Functional Maximum Correlation for Emotion Recognition [41.64451298000105]
  感情状態は、中央システムと自律システムにまたがって協調しているが不均一な生理的反応として表される。 我々は,高次マルチモーダル依存を最大化するために,MFMC(Multimodal Functional Maximum correlation)を提案する。 MFMCは、主題に依存しない評価プロトコルと対象に依存しない評価プロトコルの両方の下で、一貫して最先端または競争力を持つ。
  論文  参考訳（メタデータ） (2025-12-28T20:48:02Z)
• 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)

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。