論文の概要: Expert-level detection of low-voltage intervals in EEG as a robust biomarker of neonatal encephalopathy
- arxiv url: http://arxiv.org/abs/2610.12680v1
- Date: Thu, 08 Oct 2026 20:04:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.26317
- Title: Expert-level detection of low-voltage intervals in EEG as a robust biomarker of neonatal encephalopathy
- Title（参考訳）: 新生児脳症のロバストバイオマーカーとしての脳波低電圧間隔のエキスパートレベル検出
- Abstract要約: 低電圧間隔 (LVIs) は新生児脳波におけるバースト間間隔 (IBIs) の文脈非依存的な代替品である。
We developed a ConvNeXt model to detect LVIs and compared its performance with existing method。
次に,検出されたLVIの臨床的意義を4つの応用で検証した。
- 参考スコア（独自算出の注目度）: 1.4072064932290227
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: Discontinuity in neonatal EEG is a critical marker of brain dysfunction but can be difficult to quantify visually. Inter-burst intervals (IBIs) are a key characteristic of discontinuity, yet their definition does not easily translate to AI detection. Objectives: To introduce low-voltage intervals (LVIs), defined exclusively by amplitude and duration, as a context-independent alternative to IBIs, develop an AI detection method for LVIs, and assess their clinical utility as a marker of brain injury. Methods: We developed a ConvNeXt model to detect LVIs and compared its performance with existing methods. We then tested the clinical relevance of detected LVIs across four applications: 1) grading background EEG abnormalities on an open benchmark dataset, 2) classifying clinical hypoxic-ischaemic encephalopathy (HIE) grades and comparing with a normal EEG dataset, 3) seizure prediction, and 4) association with seizure burden. Results: For training and validation, 654 hours of per-channel EEG from 123 neonates were reviewed and 51,162 LVIs were annotated. On held-out validation, ConvNeXt had an AUC of 0.996 and a Matthews correlation coefficient of 0.926. Model-reader agreement exceeded inter-reader agreement ($Δκ= 0.025$, 95% CI: 0.007 to 0.045, $p<0.001$), attaining expert-level equivalence. On a combined dataset of 444 neonates, percentage LVI showed a strong association with EEG grades (Spearman's $ρ=0.801$), a moderate association with HIE grades ($ρ=0.384$), a weaker association with seizure burden ($ρ=0.244$), and a strong seizure prediction capacity (AUC $=0.872$). Conclusion: AI detection of LVIs achieves expert-level equivalence, whereas quantitative features do not. Automated LVI quantification provides a robust clinical biomarker of neonatal encephalopathy associated with background EEG activity, HIE severity, and seizure risk.
- Abstract（参考訳）: 背景: 新生児脳波の不連続性は脳機能障害の重要な指標であるが、視覚的に定量化することは困難である。
バースト間間隔(IBI)は不連続性の鍵となる特徴であるが、その定義はAI検出に容易に変換されない。
目的:低電圧間隔(LVIs)を導入し,IBIの文脈に依存しない代替手段として,振幅と持続時間のみに定義し,LVIのAI検出方法を開発し,その臨床的有用性を脳損傷のマーカーとして評価する。
方法: LVIを検出するためのConvNeXtモデルを開発し,その性能を既存手法と比較した。
その後、検出されたLVIの臨床的意義を4つの応用で検証した。
1) オープンベンチマークデータセットにおける背景脳波異常の評価
2)低酸素性虚血性脳症(HIE)の分類と正常脳波データとの比較
3)発作予測、及び
4) 摂食負荷との関連。
結果】123名の新生児の脳波654時間,51,162例を注視した。
ホールドアウト検証では、ConvNeXtはAUCが0.996、Matthews相関係数が0.926であった。
モデルリーダー合意(Δκ=0.025$,95% CI:0.007〜0.045,$p<0.001$)は、専門家レベルの等価性を達成した。
444人の新生児のデータセットでは、LVIは脳波グレード(Spearman's $ρ=0.801$)、HIEグレード(ρ=0.384$)、けいれん重み(ρ=0.244$)、強いけいれん予知能力(AUC $=0.872$)と強い相関を示した。
結論: LVIのAI検出は専門家レベルの等価性を達成するが、定量的特徴は得られない。
自動LVI定量化は、背景脳波活動、HIE重症度、発作リスクに関連する新生児脳症の堅牢な臨床バイオマーカーを提供する。
関連論文リスト
- Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction [0.0]
本研究では,脳波による親しみ度予測のための機械学習(ML)モデルとディープラーニング(DL)モデルをベンチマークする。
標準層化クロスバリデーションは, 隣接するエポック間の時間的リークによる人工的に高い分類性能(最大0.9853 F1スコア)を示すが, 厳密な試行独立検証(Group K-Fold)により, ピーク性能は0.6038 F1スコアに低下する(CNNを使用)。
このことは、モデル一般化可能性の過大評価を避けるために、試行非依存評価の重要な必要性を強調している。
論文 参考訳（メタデータ） (2026-08-17T13:15:45Z) - Abnormal Head Movements in Neurological Conditions: A Knowledge-Based Dataset with Application to Cervical Dystonia [1.9996156983758289]
本研究では,マルチタスク抽出フレームワークを用いて構築された神経学的誘導型AHMの知識ベースデータセットであるNeuroPose-AHMを紹介する。
このデータセットは、57の神経疾患にまたがる2,756人の患者グループ記録を含み、846のAHM関連論文から得られた。
論文 参考訳（メタデータ） (2026-04-02T12:25:59Z) - QuanvNeXt: An end-to-end quanvolutional neural network for EEG-based detection of major depressive disorder [2.819628349300034]
QuanvNeXtは、脳波によるうつ病の診断のための、エンドツーエンドの完全四畳曲モデルである。
平均精度は93.1%、平均AUC-ROCは97.2%であり、最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-12-10T10:44:47Z) - A Patient-Independent Neonatal Seizure Prediction Model Using Reduced Montage EEG and ECG [1.3394640265189308]
新生児発作の早期予測のための畳み込みニューラルネットワークモデルを提案する。
提案したモデルの平均精度は97.52%、感度は98.31%、特異性は96.39%、F1スコアは97.95%であった。
以上の結果から,新生児集中治療室における最小管理的展開の可能性が示唆された。
論文 参考訳（メタデータ） (2025-11-18T03:47:53Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳（メタデータ） (2025-11-14T06:47:21Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach [0.9503773054285559]
肝疾患は世界的な健康上の課題となる。
ECGは、心臓血管と肝の相互作用を捉えて肝疾患の検出を可能にする。
肝疾患を検出するため,心電図機能を用いた木ベース機械学習モデルを訓練した。
論文 参考訳（メタデータ） (2024-12-04T21:11:34Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - 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。