Constraint-Based Model in Multimodal Learning to Improve Ventricular Arrhythmia Prediction
원문 초록
Cardiac disease evaluation depends on multiple diagnostic modalities: electrocardiogram (ECG) to diagnose abnormal heart rhythms, and imaging modalities such as Magnetic Resonance Imaging (MRI), Computed Tomography (CT) and echocardiography to detect signs of structural abnormalities. Each of these modalities brings complementary information for a better diagnosis of cardiac dysfunction. However, training a machine learning (ML) model with data from multiple modalities is a challenging task, as it increases the dimension space, while keeping constant the number of samples. In fact, as the dimension of the input space increases, the volume of data required for accurate generalisation grows exponentially. In this work, we address this issue, for the application of Ventricular Arrhythmia (VA) prediction, based on the combined clinical and CT imaging features, where we constrained the learning process on medical images (CT) based on the prior knowledge acquired from clinical data. The VA classifier is fed with features extracted from a 3D myocardium thickness map (TM) of the left ventricle. The TM is generated by our pipeline from the imaging input and a Graph Convolutional Network is used as the feature extractor of the 3D TM. We introduce a novel Sequential Fusion method and evaluate its performance against traditional Early Fusion techniques and single-modality models. The crossvalidation results show that the Sequential Fusion model achieved the highest average scores of 80.7% $\pm$ 4.4 Sensitivity and 73.1% $\pm$ 6.0 F1 score, outperforming the Early Fusion model at 65.0% $\pm$ 8.9 Sensitivity and 63.1% $\pm$ 6.3 F1 score. Both fusion models achieved better scores than the single-modality models, where the average Sensitivity and F1 score are 62.8% $\pm$ 10.1; 52.1% $\pm$ 6.5 for the clinical data modality and 62.9% $\pm$ 6.3; 60.7% $\pm$ 5.3 for the medical images modality.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
매개변수화된 CEC 2017 벤치마크를 이용한 변환의 민감도 분석
Sensitivity Analysis of the Transformation Using a Parameterized CEC 2017 Benchmark
CEC 2017은 편향(bias), 이동(shift), 회전(rotation)을 동시에 적용하므로 각각이 알고리즘 동작에 미치는 개별 효과가 가려진다. 우리는 원래의 함수와 변환 데이터를 보존하면서 이들을 독립적으로 제어하는 매개변수화된 구현을 소개한다. 이를 이용하여, 예측 후보 메커니즘이 수치적 목적함수 값과 좌표별 재구성에 의존하는 하이브리드 해양 포식자 알고리즘(hMPA)을 진단한다. 심층 통계 비교(DSC)와 확장 DSC(eDSC)를 알고리즘 수준의 비교에서 구성 수준의 진단으로 적응시켰다. 우리가 아는 한, 이는 매개변수화된 CEC 2017 벤치마크의 편향-이동-회전 8개 구성 전체에 대한 최초의 철저한 DSC 및 eDSC 분석이다. 29개 함수, 차원 10, 30, 50, 100, 30회의 독립 실행, 차원당 10,000회의 목적함수 평가라는 고정 예산을 사용하여, 가능한 56개의 3개 구성 부분집합 전부와 변환하지 않은 대조군과의 비교를 검토한다. DSC와 eDSC는 모든 차원에서 구성 간 통계적으로 유의한 차이를 보이지만, 순위는 함수에 따라 달라 일관된 순서를 정할 수 없다. 대부분의 개별 효과 크기 신뢰구간은 0을 포함한다. 0을 포함하지 않는 경우 중에서는, 차원 10에서는 MPA가, 차원 50과 100에서는 hMPA가 유리한 비교가 더 많다. 이동은 대체로 목적함수 값 결과를 악화시킨다. 단독 회전은 체계적인 성능 저하를 일으키지 않으며, 단독 편향은 최종 해 분포를 거의 바꾸지 않는다. 이동과 회전의 결합은 대조군과 가장 일관되게 다르다. 수렴 곡선은 함수 및 차원에 따라 달라지는 분리, 정체 구간, 후반부 개선을 보여 준다. 수치적 결과는 hMPA에 한정되지만, 이 프레임워크는 다른 연속 최적화 알고리즘으로 확장될 수 있고 CEC 2024 및 CEC 2025를 포함한 관련 CEC 벤치마크에도 적용할 수 있다.
오디오 딥페이크 탐지기의 화자 신원 민감도 탐색
Probing Speaker Identity Sensitivity in Audio Deepfake Detectors
오디오 딥페이크 탐지기는 진짜 음성과 합성 음성을 구별하도록 학습되며 표준 벤치마크에서 종종 우수한 성능을 보인다. 그러나 한 데이터셋에서 1% 미만의 오류를 달성하는 동일한 탐지기가 다른 데이터셋에서 평가될 때 오류율이 20배 증가할 수 있다. 우리는 기여 요인 중 하나가 화자 신원 의존(speaker-identity reliance)이라고 주장한다. 표준 학습 코퍼스는 화자 신원과 진짜/합성 레이블을 상관시키며, 이로 인해 탐지기가 합성 아티팩트만이 아니라 화자 관련 단서에 부분적으로 의존할 수 있다. 우리는 Identity Sensitivity Score(ISS)를 제안한다. ISS는 서로 다른 화자 신원 컨텍스트에서 탐지기 출력이 얼마나 변하는지 정량화하는 발화 단위 진단 지표이다. ISS는 추론 시점에 정답 레이블이 필요 없으며, 탐지기 점수와 참조 화자 예시 풀(pool)만으로 계산할 수 있다. 두 개의 탐지기와 두 개의 데이터셋에서, 잘못 분류된 발화는 올바르게 분류된 발화보다 ISS 점수가 29~52배 높으며, ISS만으로도 오분류를 AUC(area-under-curve) 최대 0.954로 예측한다. ISS가 예측 신뢰도의 대리 지표에 그치지 않고 실제로 신원 민감 행동을 포착하는지 검증하기 위해, 우리는 500개 발화에 보이스 변환(voice conversion)을 적용하고 그에 따른 탐지기 점수 변화를 측정한다. ISS에 의해 신원 민감으로 표시된 발화는 안정적(stable)으로 표시된 발화보다 이 조작에 19~30배 더 강하게 반응한다. 이러한 결과는 ISS를 오디오 딥페이크 탐지에서 화자 의존적 실패 분석을 위한 실용적인 추론 시점 진단 도구로 자리매김한다.
암기의 기하학: 플로우 매칭 모델 진단을 위한 유한시간 스펙트럴 민감도
The Geometry of Memorization: Finite-Time Spectral Sensitivity as a Diagnostic for Flow Matching Models
연속시간 생성 프레임워크는 시간 의존 속도장(velocity field)을 최적화하여 기본 도메인과 목표 도메인 사이의 확률 경로를 구성한다. 이론적 목표는 직선 궤적을 선호하지만, 실증적 네트워크는 복잡한 경로 변형을 발달시킨다. 본 논문은 상태 전이 행렬(state-transition matrix)의 특이값(singular value) 제곱평균제곱근(root-mean-square singular value)을 추적하여 플로우 기하학을 드러내는 그래디언트 없는 순전파(forward-pass) 지표인 유한시간 스펙트럴 민감도(Finite-Time Spectral Sensitivity, FTSS) g(t)를 제시한다. 안정 순위(stable rank)에 대한 연속적 대리 지표로서 g(t)는 데이터 부족 하에서 뚜렷한 기하학적 병리를 드러낸다: 일반화하는 모델은 안정적인 유효 차원을 유지하는 반면, 과적합은 스펙트럴 붕괴를 유발한다. 우리는 이 구조적 현상을 활용하여 g(t)에 기반한 내부 기하학적 감사(internal geometric audit)를 개발한다. 우리의 프레임워크는 순수하게 내부 궤적 동역학만을 사용하여 생성적 암기를 탐지하며, 외부 멤버십 쿼리(membership query)나 기준선 데이터 비교의 필요성을 제거한다.
Attention Feature Fusion Network via Knowledge Propagation for Automated Respiratory Sound Classification
SPINA Carb: a simple mathematical model supporting fast in-vivo estimation of insulin sensitivity and beta cell function
ResCovNet: A Deep Learning-Based Architecture For COVID-19 Detection From Chest CT Scan Images
토론
이 논문과 연결된 포럼 글이 아직 없습니다.