論文の概要: Breath-Dx: A Time Series Classification Benchmark for Disease Screening with eNose
- arxiv url: http://arxiv.org/abs/2611.15348v1
- Date: Wed, 11 Nov 2026 11:25:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.113515
- Title: Breath-Dx: A Time Series Classification Benchmark for Disease Screening with eNose
- Title(参考訳): Breath-Dx: eNoseによる疾患スクリーニングのための時系列分類ベンチマーク
- Abstract要約: 電子鼻(eNose)技術は、呼気分析による疾患スクリーニングのためのポータブルで非侵襲的な経路を提供する。
既存の研究のほとんどは、一貫性のないプロトコルを持つ小さなプライベートデータセットに依存しており、結果のレンダリングは互換性がなく、進行が遅くなっている。
本稿では,呼吸性疾患スクリーニングのための時系列分類手法の総合ベンチマークであるBreath-Dxを紹介する。
- 参考スコア(独自算出の注目度): 1.8757471630191105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electronic nose (eNose) technology offers a portable, non-invasive route for disease screening via exhaled breath analysis. However, progress in the field is hindered by the lack of systematic benchmarks that compare machine learning methods under realistic conditions, particularly sensor drift, a known but rarely quantified failure mode. Most existing studies rely on small, private datasets with inconsistent protocols, rendering results non-comparable and slowing progress. We introduce Breath-Dx, the first comprehensive benchmark of time series classification methods for breath-based disease screening. Our work leverages the Scent of Health (S-OH) dataset, the largest public clinical eNose collection to date, comprising 1,234 patients across nine diagnostic groups, each providing a 17-channel multivariate time series with explicit temporal train/test splits that account for sensor drift. We systematically evaluate 10 methods spanning four families: feature-based tabular learners, convolution-based models, graph-based, and time series architectures. All methods degrade significantly under temporal validation (0.05-0.12 AUC drop compared to random cross-validation), confirming that drift embeds a strong temporal signal. Under this realistic evaluation, the best methods achieve ROC AUC of 0.74-0.76 for some lung conditions, though others remain near chance. Recurrent architectures show the most consistent performance across diseases, while specialized time series methods achieve the highest peak results. Demographic confounders matter: breath signals provide independent diagnostic value for some conditions but add little beyond age for others. We release the S-OH dataset, all temporal splits, evaluation protocols, and code to enable reproducible research and accelerate progress in clinical breathomics.
- Abstract(参考訳): 電子鼻(eNose)技術は、呼気分析による疾患スクリーニングのためのポータブルで非侵襲的な経路を提供する。
しかし、現場の進歩は、現実的な条件下での機械学習手法、特にセンサードリフトと比較する体系的なベンチマークの欠如によって妨げられている。
既存の研究のほとんどは、一貫性のないプロトコルを持つ小さなプライベートデータセットに依存しており、結果のレンダリングは互換性がなく、進行が遅くなっている。
本稿では,呼吸性疾患スクリーニングのための時系列分類手法の総合ベンチマークであるBreath-Dxを紹介する。
S-OH(Scent of Health)データセットは,9つの診断群にわたる1,234人の患者からなり,それぞれが17チャンネルの多変量時系列と,センサドリフトを考慮した時間的トレイン/テストの明確な分割を提供する。
特徴に基づく表型学習者,畳み込みに基づくモデル,グラフに基づくアーキテクチャ,時系列アーキテクチャという,4つのファミリーにまたがる10の手法を体系的に評価した。
全てのメソッドは時間的検証(ランダムクロスバリデーションに比べて0.05-0.12 AUCドロップ)で著しく劣化し、ドリフトが強い時間的シグナルを埋め込むことを確認した。
この現実的な評価の下では、最良の方法は、いくつかの肺疾患では0.74-0.76のLOC AUCを達成できるが、チャンスは近い。
リカレントアーキテクチャは疾患間で最も一貫した性能を示し、特殊時系列法は最も高い結果を得る。
睡眠信号は、いくつかの条件に対して独立した診断価値を提供するが、他の条件では年齢を超えるものはほとんどない。
S-OHデータセット、すべての時間分割、評価プロトコル、コードをリリースし、再現可能な研究を可能にし、臨床呼吸学の進歩を加速する。
関連論文リスト
- Evaluating Rare Disease Diagnostic Performance in Symptom Checkers: A Synthetic Vignette Simulation Approach [0.0]
SC開発における重要な課題は、個々の疾患の予期せぬパフォーマンス劣化を防ぐことである。
本研究では,新しい合成ビグネットシミュレーション手法を提案し,検証する。
提案手法は,個々のまれな疾患に対するSCアルゴリズム変更の事前デプロイ評価を可能にする。
論文 参考訳(メタデータ) (2025-06-24T16:06:37Z) - On the effectiveness of smartphone IMU sensors and Deep Learning in the detection of cardiorespiratory conditions [0.21987601456703473]
本研究は, 心肺疾患の早期スクリーニングのための, 取得プロトコルに基づく革新的な手法を提案する。
5つの異なる身体領域の加速度計とジャイロスコープで得られた呼吸動態を記録したデータセットを臨床的に収集した。
本研究では,早期心肺疾患スクリーニングのためのエンド・ツー・エンドのディープラーニングパイプラインを提案する。
論文 参考訳(メタデータ) (2024-08-27T18:29:47Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳(メタデータ) (2024-07-10T19:17:23Z) - VAE-IF: Deep feature extraction with averaging for fully unsupervised artifact detection in routinely acquired ICU time-series [1.9665926763554147]
本稿では,事前のラベル付けや信号固有知識を使わずに,微細分解能ICUデータ中のアーティファクトを検出するための,教師なしの手法を提案する。
本手法では,変分オートエンコーダ (VAE) と孤立林 (IF) をハイブリッドモデルに組み合わせて特徴を学習し,異常を同定する。
我々の教師なしアプローチは、完全に教師付きされた手法に匹敵する感度を達成し、外部データセットによく当てはまることを示す。
論文 参考訳(メタデータ) (2023-12-10T18:03:40Z) - Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳(メタデータ) (2023-10-09T18:38:49Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint
Identification and Severity Quantification [45.86448200141968]
感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。
両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。
我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
論文 参考訳(メタデータ) (2020-06-02T08:05:06Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳(メタデータ) (2020-05-06T15:19:15Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
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。