Fugu-MT 論文翻訳(概要): Few-Shot Learning for Personalised Automated Pain Assessment

論文の概要: Few-Shot Learning for Personalised Automated Pain Assessment

arxiv url: http://arxiv.org/abs/2610.09692v1
Date: Wed, 07 Oct 2026 08:52:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 21:58:22.812921
Title: Few-Shot Learning for Personalised Automated Pain Assessment
Title（参考訳）: パーソナライズド・オートマチック・ペインアセスメントのためのFew-Shot Learning
Abstract要約: 自動痛み評価におけるパーソナライズへのアプローチとしてFew-Shot Learningを評価した。我々は,タスク・ドメイン・シフトとして,集団レベルから主体レベルへのシフトを再解釈する。 kショットコンディショニングを実装するためにサンプルを使用することで、精度は86.25%に向上できる。
参考スコア（独自算出の注目度）: 2.2907474511179395
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pain perception varies substantially across individuals, making it difficult for population-based classifiers to generalise across all subjects in a dataset. One way to account for subject variability is to train personalised classifiers. In this work, we evaluate Few-Shot Learning, a sub-area of Meta-Learning, as an approach to personalisation in automated pain assessment. We re-interpret the shift from population-level to subject-level evaluation as a task-domain shift, where the observed classes remain fixed but the target subject changes. We evaluate our method on the BioVid Pain Database, the SenseEmotion Database, and the PainMonit Experimental Dataset (PMED), reaching 85.75% and 35.49% accuracy on BioVid and 82.37% and 41.88% on SenseEmotion in the binary and multi-class settings under a Leave-One-Subject-Out CV protocol respectively, and 90.47% on PMED, for which only a binary benchmark exists. Using samples to implement k-shot conditioning, the accuracies can be improved to 86.25%, 40.06%, 83.43%, 44.08%, and 91.25%, respectively. To further evaluate the effects and robustness of our method, we provide additional ablation experiments and investigate the personalisation effects. Our results suggest that support-conditioned few-shot adaptation can improve average performance under inter-subject variability.
Abstract（参考訳）: 痛みの知覚は個人によって大きく異なり、人口ベースの分類器がデータセット内のすべての被験者を一般化することは困難である。主題の多様性を説明する一つの方法は、パーソナライズされた分類器を訓練することである。本研究では,メタラーニングのサブ領域であるFew-Shot Learningを,自動痛み評価におけるパーソナライズへのアプローチとして評価する。本研究は,集団レベルから主体レベルへのシフトを課題領域シフトとして再解釈する。提案手法はBioVid Pain Database, SenseEmotion Database, and the PainMonit Experimental Dataset (PMED) で評価され, BioVidでは85.75%, BioVidでは82.37%, SenseEmotionでは41.88%,Leave-One-Subject-Out CVプロトコルでは90.47%,PMEDでは90.47%,それぞれバイナリベンチマークが存在する。 kショット条件を実装するためにサンプルを使用することで、それぞれ86.25%、40.06%、83.43%、44.08%、91.25%に改善することができる。本手法の有効性とロバスト性をさらに評価するため, 追加のアブレーション実験を行い, パーソナライズ効果について検討する。この結果から,サポート条件付き少数ショット適応により,物体間変動下での平均性能が向上することが示唆された。

関連論文リスト

Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文参考訳（メタデータ） (2026-09-16T15:34:21Z)
Correcting Class Imbalances with Self-Training for Improved Universal Lesion Detection and Tagging [43.06199185109424]
CT研究におけるユニバーサル病変検出・タグング(ULDT)は,腫瘍の負担評価と経過に伴う病変の進行(成長・収縮)の追跡に重要である。以前の研究では、DeepLesionデータセット(4,427人、研究10,594人、CTスライス32,120人、病変32,735人、体の一部のラベル8人)をアルゴリズム開発に使用していたが、このデータセットは完全に注釈付けされておらず、クラス不均衡を含んでいる。我々は,DeepLesionの11.5%のサブセットを限定的に使用して,ULDTのための自己学習パイプラインを開発した。
論文参考訳（メタデータ） (2025-04-07T15:57:03Z)
Topology and Intersection-Union Constrained Loss Function for Multi-Region Anatomical Segmentation in Ocular Images [5.628938375586146]
眼筋無力症(OMG)は早期に発見される稀かつ困難な疾患である。現在、この目的のために利用可能なデータセットやツールは存在しない。我々は,小さなトレーニングデータセットを用いた性能向上を目的とした,新しいトポロジと共役制約付き損失関数(TIU損失)を提案する。
論文参考訳（メタデータ） (2024-11-01T13:17:18Z)
Pain Analysis using Adaptive Hierarchical Spatiotemporal Dynamic Imaging [16.146223377936035]
本稿では,適応時間動画像(Adaptive temporal Dynamic Image, AHDI)技術を紹介する。 AHDIは、顔ビデオの深い変化を特異なRGB画像にエンコードし、ビデオ表現のためのより単純な2Dモデルを実現する。この枠組み内では、一般化された顔表現を導出するために残差ネットワークを用いる。これらの表現は、痛みの強さを推定し、本物の痛み表現とシミュレートされた痛み表現を区別する2つのタスクに最適化される。
論文参考訳（メタデータ） (2023-12-12T01:23:05Z)
Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
論文参考訳（メタデータ） (2023-07-06T17:32:38Z)
SSL-CPCD: Self-supervised learning with composite pretext-class discrimination for improved generalisability in endoscopic image analysis [3.1542695050861544]
深層学習に基づく教師付き手法は医用画像解析において広く普及している。大量のトレーニングデータと、目に見えないデータセットに対する一般的な問題に直面する必要がある。本稿では,加法的角マージンを用いたパッチレベルのインスタンスグループ識別とクラス間変動のペナル化について検討する。
論文参考訳（メタデータ） (2023-05-31T21:28:08Z)
Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2022-06-27T06:51:48Z)
MOMO -- Deep Learning-driven classification of external DICOM studies for PACS archivation [0.9498643829295902]
MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。 MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
論文参考訳（メタデータ） (2021-12-01T17:16:41Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文参考訳（メタデータ） (2021-03-07T03:10:32Z)
Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。