論文の概要: Wrong Organ, Right Physics: Transferring Echocardiography Pretraining to Lung Ultrasound for Tuberculosis Screening

• arxiv url: http://arxiv.org/abs/2610.03290v1
• Date: Fri, 02 Oct 2026 13:33:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.397196
• Title: Wrong Organ, Right Physics: Transferring Echocardiography Pretraining to Lung Ultrasound for Tuberculosis Screening
• Title（参考訳）: 心電図を用いた肺超音波検査による肺結核検診
• Abstract要約: 肺超音波検査は初診時に結核スクリーニングに有用であるが, ラベル付きコホートは少ない。 エコー心電図はそのような制約は持たないが、基礎となる超音波イメージング物理、信号処理、Bモードの外観はLUSと同じである。 我々は,その高リソース超音波領域で事前訓練されたエンコーダが,低リソース領域で使用可能な表現を担っているかどうかを問う。
• 参考スコア（独自算出の注目度）: 1.9262297746747183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung ultrasound (LUS) is attractive for tuberculosis (TB) screening at primary-care level, but labelled cohorts are small. Echocardiography carries no such constraint, while sharing the same underlying ultrasound imaging physics, signal processing and B-mode appearance as LUS. We ask whether an encoder pretrained on that high-resource ultrasound domain carries representations that remain usable in the low-resource one. Only the encoder varies, across seventeen encoders spanning three architecture families. Among them, a latent-predictive video encoder pretrained on generic video (V-JEPA2-L) and its echocardiography counterpart (EchoJEPA-L) differ in pretraining corpus alone. The choice among these encoders does not resolve the classification, the whole family spanning 2.50 percentage points against a measurement resolution of 2.71. What moves the task instead is feature conditioning. Standardising the features between the encoder and the classifier improves all seventeen encoders by a mean of +1.23 percentage points at $p=1.5\times10^{-5}$. On the held-out test set every encoder selected on the development folds stands above the baseline system by up to +2.57 percentage points of area under the receiver operating characteristic curve (AUROC), and specificity at 90% sensitivity reaches 79.3% against 60.3%. The contrast specified in advance, EchoJEPA-L against V-JEPA2-L, measures -0.16 percentage points at $p=0.926$. We therefore find no evidence that shared ultrasonic physics alone makes echocardiography a more productive pretraining corpus than generic video, and any advantage, if present, is smaller than this cohort can resolve. The video encoders receive replicated still images, however, so whether this absence of an effect reflects the pretraining domain or a video encoder applied to static frames cannot be separated. The limiting factor is the labelled cohort rather than the encoder.
• Abstract（参考訳）: 肺超音波(LUS)は初診時に結核(TB)スクリーニングに有用であるが,ラベル付きコホートは少ない。 エコー心電図はそのような制約は持たないが、基礎となる超音波イメージング物理、信号処理、Bモードの外観はLUSと同じである。 我々は,その高リソース超音波領域で事前訓練されたエンコーダが,低リソース領域で使用可能な表現を担っているかどうかを問う。 エンコーダは3つのアーキテクチャファミリにまたがる17のエンコーダによって異なる。 このうち,ジェネリックビデオ(V-JEPA2-L)とエコーJEPA-L(EchoJEPA-L)で事前訓練した潜伏予測ビデオエンコーダは,前訓練コーパス単独で異なる。 これらのエンコーダの選択は分類を解決せず、家族全体では2.50ポイント、測定解像度は2.71である。 代わりにタスクを動かすのはフィーチャーコンディショニングです。 エンコーダと分類器の機能の標準化は、17個のエンコーダを平均で+1.23ポイント、$p=1.5\times10^{-5}$で改善する。 ホールドアウトテストセットでは、開発フォルダで選択されたすべてのエンコーダが、受信操作特性曲線(AUROC)の領域の最大2.57%のポイントでベースラインシステムの上に立っており、90%の感度での特異性は79.3%、60.3%に達する。 エコーJEPA-LとV-JEPA2-Lの対比では、-0.16ポイント=$p=0.926$である。 したがって、共用超音波物理だけでエコー心電図が一般的なビデオよりも生産性の高い事前訓練コーパスになるという証拠は見つからない。 しかし、ビデオエンコーダは、複製された静止画像を受信するので、この効果の欠如が事前学習領域を反映しているか、静的フレームに適用されたビデオエンコーダを分離できない。 制限因子はエンコーダではなくラベル付きコホートである。

関連論文リスト

• Correlation-Guided Encoder Selection for Multi-Encoder Large Audio-Language Models [52.59216139491759]
  CUES (Correlation-gUided Selection) は、単エンコーダ評価のみから選択中の融合訓練なしで設定された候補をスコアする。 広いトラックAスイートでは、CUESはクロスファミリートリオ(Whisper-medium、mHuBERT-147、Dasheng-base)を選択する。 TrackBテキスト生成では、フォーカスされた音声のみのペア(mHuBERT-147とWavLM-base-plus)で再アンカーする。
  論文  参考訳（メタデータ） (2026-09-16T02:41:41Z)
• LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [50.45297537821907]
  我々はLeJEPAの崩壊のない目的の下で訓練された最初のビデオエンコーダLeVJEPAを紹介する。 単一のエンコーダは、クリップのグローバルおよびローカルビューよりも分散損失で訓練される。 LeVJEPAはV-JEPA 2とVT-S/B/Lの5.6から20.8倍の速さで一致または超える。
  論文  参考訳（メタデータ） (2026-08-27T17:26:24Z)
• Beyond Encoder Accumulation: Measuring Encoder Roles in Multi-Encoder VLMs [50.3757247538081]
  我々は、統一パイプラインの下で、5つの共通ビジョンエンコーダの空でないサブセット31を再訓練し、評価する。 各エンコーダのコントリビューションを,容量と必要量という2つの軸に分解する。 エンコーダごとのプロジェクタ有効ランクは、残留スコアの変動を説明する。
  論文  参考訳（メタデータ） (2026-06-02T16:46:42Z)
• GATech at AbjadMed: Bidirectional Encoders vs. Causal Decoders: Insights from 82-Class Arabic Medical Classification [0.0]
  本稿では,82のカテゴリーにまたがるアラビア医学テキスト分類のためのシステム記述について述べる。 このアプローチを、多言語およびアラビア語固有のエンコーダと、大規模因果デコーダのセットに対してベンチマークする。 特殊な双方向エンコーダは 因果的デコーダよりも 正確にセマンティック境界を捉えている
  論文  参考訳（メタデータ） (2026-02-17T16:13:08Z)
• TPA: Temporal Prompt Alignment for Fetal Congenital Heart Defect Classification [2.3974223785103166]
  超音波ビデオにおける先天性心不全(CHD)の検出は、画像ノイズとプローブ位置決めのばらつきによって妨げられる。 本稿では,基礎画像テキストモデルとプロンプト認識型コントラスト学習を利用したテンポラル・プロンプトアライメント(TPA)を提案する。 TPAは、画像エンコーダを使用してビデオサブクリップの各フレームから特徴を抽出し、訓練可能な時間抽出器でそれらを集約し、ビデオ表現をクラス固有のテキストプロンプトと整合させる。
  論文  参考訳（メタデータ） (2025-08-21T06:36:47Z)
• SED: A Simple Encoder-Decoder for Open-Vocabulary Semantic Segmentation [91.91385816767057]
  オープンボキャブラリセマンティックセグメンテーションは、ピクセルをオープンなカテゴリの集合から異なるセマンティックグループに区別する試みである。 オープン語彙セマンティックセグメンテーションのための単純なエンコーダデコーダSEDを提案する。 SED法では、ADE20KではmIoUスコアが31.6%、A6000では画像あたり82ミリ秒(ms$)のカテゴリが150である。
  論文  参考訳（メタデータ） (2023-11-27T05:00:38Z)
• 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)

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。