論文の概要: Siam-ALS: An Explainable Siamese Deep Learning Framework for Early ALS Detection Using EEG and Eye-Tracking Signals

• arxiv url: http://arxiv.org/abs/2610.15351v1
• Date: Sun, 11 Oct 2026 05:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.202336
• Title: Siam-ALS: An Explainable Siamese Deep Learning Framework for Early ALS Detection Using EEG and Eye-Tracking Signals
• Title（参考訳）: Siam-ALS:脳波と視線追跡信号を用いた早期ALS検出のための説明可能なシームズディープラーニングフレームワーク
• Abstract要約: Amytrophic lateral sclerosis (ALS) の診断は、異種性症状と臨床評価に依存しているため、依然として困難である。 本稿では,脳波(EEG)と眼球追跡(ET)信号を共同でモデル化する,説明可能なディープラーニングフレームワークであるSiam-ALSを提案する。 脳波はALSに関連する脳活動の変化を捉え、ETは眼球運動制御に関する情報を提供し、ALSに関連するパターンを学習することができる。
• 参考スコア（独自算出の注目度）: 9.289936120230683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Amyotrophic lateral sclerosis (ALS) diagnosis remains challenging due to heterogeneous symptoms and reliance on clinical assessment, underscoring the need for objective, data-driven approaches that leverage patient-generated physiological signals. We propose Siam-ALS, an explainable Siamese deep learning framework that jointly models synchronized electroencephalography (EEG) and eye-tracking (ET) signals. EEG captures ALS-related changes in brain activity, while ET provides information about oculomotor control, allowing the model to learn complementary patterns associated with ALS. The framework employs two modality-specific encoders: a convolutional EEG encoder that captures spatiotemporal neural patterns and an MLP-based ET encoder that models oculomotor dynamics. These modality-specific features are processed through weight-sharing Siamese branches and fused into a compact 64-dimensional joint embedding. A lightweight classifier is used to predict ALS, while pairwise metric learning helps the model learn more effective patterns from the small, diverse ALS datasets. Performance was evaluated on the public EEGET-ALS dataset using strict subject-level cross-validation, where Siam-ALS achieved an accuracy of 0.988 and an AUROC of 0.998, demonstrating strong performance compared with classical machine learning, DL, and non-Siamese fusion approaches. Cross-dataset evaluation on the independent BigP3BCI dataset achieved an AUROC of approximately 0.98, supporting the generalization capability of Siam-ALS across different BCI paradigms. To enhance interpretability, six XAI methods were evaluated in the learned embedding space, with SHAP achieving the highest, though statistically comparable, fidelity in identifying important EEG and ET patterns that contribute to ALS predictions. Overall, Siam-ALS provides an accurate, generalizable, and explainable framework for multimodal ALS detection.
• Abstract（参考訳）: 筋萎縮性側索硬化症 (Amyotrophic lateral sclerosis, ALS) の診断は, 不均一な症状と臨床評価に依存し, 患者が生み出す生理的信号を活用する客観的なデータ駆動的アプローチの必要性を浮き彫りにしている。 我々は、同期脳波(EEG)と眼球追跡(ET)信号を共同でモデル化する、シームズ深層学習フレームワークSiam-ALSを提案する。 脳波はALSに関連する脳活動の変化を捉え、ETは眼球運動の制御に関する情報を提供し、モデルがALSに関連する補完的なパターンを学習できるようにする。 このフレームワークは2つのモード特化エンコーダ(畳み込みEEGエンコーダ)を用いており、時空間の神経パターンをキャプチャする畳み込みEEGエンコーダと、オキュラモタダイナミクスをモデル化するMLPベースのETエンコーダである。 これらのモダリティ特有の特徴は、ウェイトシェアリングによって処理され、64次元のコンパクトなジョイント埋め込みに融合される。 軽量な分類器はALSを予測するために使用され、ペアワイズなメトリック学習は、小さな多様なALSデータセットからより効果的なパターンを学習するのに役立つ。 Siam-ALS は 0.988 と 0.998 の AUROC を達成し,従来の機械学習,DL および非サイムズ融合手法と比較して高い性能を示した。 独立系BigP3BCIデータセットのクロスデータセット評価は、AUROCの約0.98を達成し、異なるBCIパラダイムにわたるSiam-ALSの一般化能力をサポートした。 ALS予測に寄与する重要な脳波パターンとETパターンの同定において,SHAPは統計学的に最も高い精度を達成し,解釈可能性を高めるために6つのXAI手法を学習した埋め込み空間で評価した。 全体として、Siam-ALSはマルチモーダルALS検出のための正確で汎用的で説明可能なフレームワークを提供する。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Four-Stage Alzheimer's Disease Classification from MRI Using Topological Feature Extraction, Feature Selection, and Ensemble Learning [0.8374077003751697]
  TDA-Alzは、トポロジカルデータ分析とアンサンブル学習を用いた4段階アルツハイマー病重症度分類のための新しいフレームワークである。 精度は98.19%、AUCは99.75%で、データセットで報告された最先端のディープラーニングベースの手法よりも優れているか、あるいは適合している。
  論文  参考訳（メタデータ） (2026-01-01T07:44:51Z)
• DistilCLIP-EEG: Enhancing Epileptic Seizure Detection Through Multi-modal Learning and Knowledge Distillation [6.879999526049009]
  てんかん検出のための既存のディープラーニング手法の多くは、脳波信号のみに依存している。 本稿では,脳波信号とテキスト記述を統合してててててんかん発作の包括的特徴を捉えるマルチモーダルモデルDistilCLIP-EEGを提案する。
  論文  参考訳（メタデータ） (2025-10-15T12:49:28Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Synthetic ALS-EEG Data Augmentation for ALS Diagnosis Using Conditional WGAN with Weight Clipping [4.884338536663712]
  条件付きWasserstein Generative Adversarial Network(CWGAN)を用いたALS患者のための合成脳波信号を生成する。 我々は、ALS EEG信号の分布を学習するために、プライベートEEGデータセット(ALS対非ALS)でCWGANを訓練する。 脳波記録の事前処理と正規化を行い、合成ALS信号を生成するためにCWGANモデルを訓練する。
  論文  参考訳（メタデータ） (2025-06-19T11:57:23Z)
• Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training [3.2646075700744928]
  Histo whole slide image (WSI) は、特に精度オンコロジーにおいて、ディープラーニングに基づく診断ソリューションの開発に広く利用されている。 これらの診断ソフトウェアのほとんどは、トレーニングやテストデータにおけるバイアスや不純物に弱いため、不正確な診断につながる可能性がある。 我々は、WSIを6つの組織領域に分離する、頑健だが軽量なディープラーニングベースの分類器であるHistoROIを紹介した。
  論文  参考訳（メタデータ） (2024-09-29T07:08:45Z)
• STREAMLINE: An Automated Machine Learning Pipeline for Biomedicine Applied to Examine the Utility of Photography-Based Phenotypes for OSA Prediction Across International Sleep Centers [2.872498492478085]
  我々は、シンプルで透明でエンドツーエンドの機械学習パイプライン(STREAMLINE)を開発し、検証する。 閉塞性睡眠時無呼吸(OSA)予測のための写真ベース表現型追加の有用性の検討にSTREAMLINEを適用した。 ベンチマーク分析により,データシミュレーションにおけるSTREAMLINEの有効性が検証された。
  論文  参考訳（メタデータ） (2023-12-09T04:12:38Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。