論文の概要: PHASE: A Physiology-Guided Hierarchical Foundation Model for Intracranial EEG

• arxiv url: http://arxiv.org/abs/2609.36087v2
• Date: Wed, 30 Sep 2026 02:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.109323
• Title: PHASE: A Physiology-Guided Hierarchical Foundation Model for Intracranial EEG
• Title（参考訳）: PHASE:脳内脳波の生理誘導階層モデル
• Abstract要約: 本稿では,生理的特徴を明確にし,潜伏予測と組み合わせた生理学誘導基礎モデルPHASEを紹介する。 Omni-iEEGの5つの臨床タスクにおいて、凍結したPHASE-Tは評価された基礎モデルを最大31%上回り、微調整されたPHASE-Tはタスク固有のモデルを上回っている。
• 参考スコア（独自算出の注目度）: 6.485742339234117
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clinicians and neuroscientists have long analyzed intracranial electroencephalography (iEEG) through directly measurable physiological characteristics, which carry much of the information that downstream tasks depend on. Recent iEEG foundation models learn by reconstructing or predicting their inputs, which leaves the retention of these characteristics implicit. They are also evaluated mainly on cognitive decoding and a narrow clinical task, i.e., seizure detection. On a broad, clinically relevant benchmark such as Omni-iEEG, they remain below task-specific models when used frozen. We introduce PHASE, a physiology-guided foundation model that makes these characteristics explicit learning targets, pairing them with masked latent prediction in a temporal stage (PHASE-T) within each channel and a spatiotemporal stage (PHASE-ST) across synchronized channels. PHASE is pretrained on heterogeneous recordings from 222 participants at nine clinical sites. On all five Omni-iEEG clinical tasks, frozen PHASE-T outperforms every evaluated foundation model by up to 31\%, and fine-tuned PHASE-T surpasses the task-specific models, setting a new state of the art. PHASE-T benefits from physiological supervision, outperforming variants trained with latent prediction alone or auxiliary waveform reconstruction on every task in matched ablations. PHASE-T generalizes to unseen institutions, outperforming the compared models with few or no local labels. PHASE-ST further improves seizure-onset-zone identification over PHASE-T and, when frozen, decodes sound volume and pitch on BrainTreebank better than published models. Beyond task performance, PHASE learns to encapsulate the physiological characteristics clinicians recognize, from seizure onset and its propagation to anatomical region identity, even though its pretraining contains no ictal recordings or anatomical labels.
• Abstract（参考訳）: 臨床医や神経科学者は長い間、脳内脳波(iEEG)を直接測定可能な生理学的特徴を通して分析してきた。 最近のiEEGファンデーションモデルは、入力を再構築したり予測することで学習し、これらの特徴の保持を暗黙的に残す。 また、認知的復号化や、狭義の臨床的タスク、すなわち発作検出にも焦点が当てられている。 Omni-iEEGのような広範で臨床的に関係のあるベンチマークでは、凍結使用時にタスク固有のモデルを下回っている。 本稿では,これらの特徴を明示的な学習目標として,各チャネル内の時間的段階(PHASE-T)と,同期されたチャネル間の時空間的段階(PHASE-ST)でマスク付き潜伏予測と組み合わせた,生理的指導による基礎モデルPHASEを紹介する。 PHASEは9つの臨床現場で222人の被験者の異種記録に事前訓練されている。 Omni-iEEGの5つの臨床課題において、凍結PHASE-Tは評価基礎モデルを最大31倍に上回り、微調整PHASE-Tはタスク固有のモデルを超え、新しい最先端技術を確立する。 PHASE-Tの利点は、生理的監督、潜伏予測単独で訓練された変種、および一致したアブレーションの全てのタスクにおける補助波形再構成に勝ることである。 PHASE-Tは未確認の機関に一般化し、比較したモデルをほとんどまたは全くローカルなラベルで上回る。 PHASE-STはさらにPHASE-Tのセプションオンセットゾーン同定を改善し、凍結するとBrainTreebankの音量とピッチを公表されたモデルよりも良く復号する。 タスクパフォーマンスの他に、PHASEは、臨床医が発作発生から解剖学的領域のアイデンティティへの伝播から認識する生理的特徴をカプセル化することを学ぶ。

関連論文リスト

• Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
  INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。 買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
  論文  参考訳（メタデータ） (2026-08-25T14:20:02Z)
• CLEF: EEG Foundation Model for Learning Clinical Semantics [50.3767252824646]
  CLEFは,脳波基礎モデルである。 CLEFは, 疾患の表現型, 薬物曝露, 脳波所見にまたがる新しい234タスク・ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-05-11T16:34:58Z)
• AI Generalisation Gap In Comorbid Sleep Disorder Staging [5.137280927017341]
  iSLEEPS (iSLEEPS) を新たに導入した。 単一チャネル脳波睡眠ステージリングのためのSE-ResNet+双方向LSTMモデルの評価を行った。 健常者と疾患者のクロスドメインパフォーマンスは貧弱である。
  論文  参考訳（メタデータ） (2026-03-24T15:02:35Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Multimodal Forecasting of Sparse Intraoperative Hypotension Events Powered by Language Model [14.69824092898171]
  術中低血圧 (IOH) は全身麻酔下で頻繁に発生し, 心筋損傷や死亡率の増加などの副作用と強く関連している。 その重要性にもかかわらず、IOH予測はイベントのばらつきと、さまざまな患者にまたがる静的データと動的データを統合することの難しさによって妨げられている。 スパース低血圧事象を正確に識別し識別する多モーダル言語モデルフレームワークである textbfIOHFuseLM を提案する。
  論文  参考訳（メタデータ） (2025-05-28T08:44:55Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)

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。