arXiv:2609.27222v1 cs.SD

장기요양 거주자 폐렴 탐지를 위한 생리학적 정보 기반 디지털 청진

Physiologically Informed Digital Auscultation for Pneumonia Detection in Long-term Care Residents

Nicholas Rasmussen, Oleg Zaslavsky, Zih-Ling Wang, Hongyu Yu, Joelle Fathi, Kaibao Nie, Amil Khanzada, Tomoko Ito

제출 2026-09-24

한국어 초록

폐렴은 고령 장기요양 시설 거주자에서 진단하기 어렵다. 다중 질환과 비전형적 임상 양상이 징후를 흐리게 하여, 운영상 효율적인 객관적 검사의 필요성이 커진다. 본 연구는 방사선 전문의가 확인한 흉부 X-ray와 임상의 진단을 지도 신호로 삼아 합성곱 신경망, 다중 양식 융합, 채널 기반 변형을 학습하고, 시간 영역 Grad-CAM 해석 가능성을 함께 적용하여, 일본 거주자 185명(폐렴 73명, 증상은 있으나 폐렴 없음 112명)의 다채널 디지털 청진기 녹음을 분석했다. 모델은 반복 환자 수준 교차 검증으로 평가했으며, X-ray 지도를 사용한 모델이 임상의 지도보다 우수했다(F1 0.729, 정확도 0.783 대 F1 0.637, 정확도 0.711). 또한 3채널 선택 프로토콜은 성능을 유지했다(F1 0.736, 정확도 0.803). 중흉부 두 부위가 가장 높은 순위를 보였고, Grad-CAM 어텐션은 이상 호흡음과 겹쳤다. 이 결과는 자동화된 다채널 폐음 분석이 장기요양 환경에서 폐렴 진단을 보조할 수 있음을 시사하며, X-ray 지도가 임상 지도보다 더 신뢰할 수 있고, 채널 수를 줄여도 성능을 유지하면서 취득 시간을 단축할 수 있음을 보여준다.

원문 초록

Pneumonia is difficult to diagnose in older long-term care residents; multimorbidity and atypical presentations obscure signs, motivating operationally efficient objective testing. We analyzed multi-channel digital stethoscope recordings from 185 Japanese residents (73 pneumonia, 112 symptomatic without), using radiologist-confirmed chest X-rays and clinician diagnoses as supervisory signals that train convolutional neural networks, multimodal fusion, and channel-based variants with time-domain Grad-CAM interpretability. Models were evaluated with repeated patient-level cross-validation showing models with X-ray supervision outperformed clinician supervision (F1 0.729, accuracy 0.783 vs. F1 0.637, accuracy 0.711). Additionally, a three-channel selection protocol maintained performance (F1 0.736; accuracy 0.803), with two mid-thoracic sites ranking highest and Grad-CAM attention overlapping adventitious sounds. These findings indicate automated multi-channel lung-sound analysis can aid long-term care pneumonia diagnosis, with X-ray supervision being more reliable than clinical, and fewer channels preserving performance while lowering acquisition times.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.27222v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26920v1cs.CV공통 태그 Binary Classification, Diagnostic

자동 신세포암 등급 분류를 위한 조직병리학 및 CT 기반 교차 모달 대조 학습

Cross-Modal Contrastive Learning from Histopathology and CT for Automated Renal Cell Carcinoma Grading

배경: 투명세포 신세포암(ccRCC)은 상당한 임상적 이질성을 보이며, 위험 계층화 및 치료 계획 수립을 위해서는 정확한 등급 평가가 필수적이다. 그러나 기존의 등급 평가는 침습적인 조직 채취를 필요로 한다. 본 연구에서는 비침습적인 CT 기반 ccRCC 등급 예측을 개선하기 위해 학습(training) 중 쌍을 이룬 조직병리학 및 컴퓨터 단층촬영(CT) 데이터를 활용하는 교차 모달 대조 학습(cross-modal contrastive learning) 프레임워크인 RCC-Align을 개발했다. 방법: RCC-Align은 대조 교차 모달 목적함수를 통해 쌍을 이룬 전체 슬라이드 조직병리학 이미지(WSI)와 CT 스캔을 정렬하여 미시적인 조직 형태학으로부터 거시적인 방사선학적 표현으로 등급 판별 정보를 전달한다. 이 프레임워크는 환자 수준의 5겹 교차 검증(validation)을 사용하여 쌍을 이룬 TCGA 및 CPTAC 코호트에서 학습 및 평가되었다. 저등급 대 고등급 ccRCC 분류(classification) 성능을 CT 전용 베이스라인(DINOv2-Base 및 DINOv2-Finetuned)과 WSI 기반 참조 모델(model)(GigaPath-Finetuned)과 비교했다. 교차 모달 정렬은 코사인 유사도 분석을 사용하여 평가되었다. 결과: RCC-Align은 0.601의 AUC(95% CI, 0.524-0.673) 및 0.599의 AUPRC(95% CI, 0.541-0.676)를 달성하여 유의하게 향상된 저등급 예측 성능(p = 0.004)과 함께 DINOv2-Finetuned(AUC 0.545, AUPRC 0.543)를 능가했다. 또한 RCC-Align은 베이스라인과 비교하여 더 강력한 쌍 WSI-CT 임베딩(embedding) 정렬을 보였다. WSI 기반 GigaPath 참조 모델은 0.719의 AUC를 달성했다. 결론: 병리학 유도 대조 학습은 추론(inference) 시 CT만 필요로 하면서도 CT 기반 ccRCC 등급 분류를 개선한다. 이러한 접근법은 생검이 안전하지 않거나 불가능하거나 종양 내 이질성으로 인해 제한될 때 조직 진단을 보완할 수 있다. 임상적 적용 전 외부 테스트를 포함한 더 크고 다기관인 코호트에서의 검증이 필요하다.

arXiv:2609.22956v1cs.AI공통 태그 Binary Classification, Diagnostic

발바닥 VGRF 기반 파킨슨병 분류를 위한 간결한 보폭 인덱싱 전후방 COP 표현

A Compact Stance-Indexed Anterior-Posterior COP Representation for Parkinson's Disease Classification from Plantar VGRF

파킨슨병은 보행과 양측 협응을 변화시키지만, 기계학습 성능은 연속 보행 신호를 어떻게 표현하느냐에도 달려 있다. 본 연구는 정규화된 stance 전 구간의 고정 위치에서 전후방 중심압력(anterior-posterior center-of-pressure, AP-COP) 정보를 보존하는 것이 발바닥 힘 보행 신호에 대한 간결하고 정보가 풍부한 표현을 제공하는지 조사한다. Gait in Parkinson's Disease Database의 165명 참가자로부터 기록된 양측 수직 지면 반력(vertical ground reaction force)을 반복 완전 중첩 참가자 수준 교차검증(repeated fully nested participant-level cross-validation)으로 평가했다. 우리는 다섯 개의 stance 구간에 걸친 AP-COP 위치와 양측 비대칭으로 구성된 AP-COP10을 제안한다. AP-COP10은 AUC 0.894를 달성했으며, 동일한 평가 파이프라인에서 문헌에서 도출·조화된 세 가지 COP 표현보다 우수했다. 보완적인 25개의 비-AP-COP 서술자(descriptor)만으로는 AUC 0.856을, 전체 35-특징 표현은 0.908을 달성했다. 완전한 표현에서 AP-COP10을 제거하면 통계적으로 뒷받침되는 판별력 손실이 발생했으며, AP-COP10에 보완 서술자를 추가하는 것은 작고 통계적 뒷받침이 없는 개선만을 가져왔다. 특징 경쟁(feature competition) 분석은 가장 정보가 많은 stance 인덱싱 서술자가 초기 및 초-중기 stance에 집중되어 있음을 나타냈고, 원 연구 홀드아웃(source-study holdout) 및 센서 교란(sensor-perturbation) 분석은 표현의 견고성을 뒷받침했다. 이러한 결과는 stance 인덱싱 AP-COP가 더 넓게 설계된 보행 서술자로는 쉽게 복구되지 않는 판별 정보를 유지함을 보여 주며, 병리적 보행의 기계학습 분석을 위한 간결하고 해석 가능한 표현을 지지한다.

arXiv:2609.14159v2cs.CV공통 태그 Binary Classification, Diagnostic

교차 분할 통계적 안정성 분석 기반 어텐션 강화 심층 학습을 활용한 3D 보행 기반 자폐 스펙트럼 장애 분류

3D Gait-Based Autism Classification Using Attention-Enhanced Deep Learning with Cross-Fold Statistical Stability Analysis

자폐 스펙트럼 장애(ASD)는 기존의 임상 평가 방식이 주관적이고 많은 시간이 소요되며 전문가 평가를 필요로 하기 때문에 조기 진단이 여전히 어려운 신경발달 질환이다. 보행은 자동화된 ASD 선별 검사를 위한 유망한 비침습적 행동 바이오마커를 제공하지만, 기존 연구들은 분할(fold) 간 안정성을 공식적으로 평가하지 않은 채 주로 단일 데이터셋 평가, 합성곱(convolutional) 아키텍처, 교차 검증(cross-validation) 성능에 대한 기술적 요약에 의존해 왔다. 본 연구는 사전에 계산된 통계적 보행 기술자(descriptor)와 원시 생체역학적 지면 반발력(ground-reaction-force) 측정값이라는 구조적으로 서로 다른 두 가지 3D 보행 특징 표현에서 평가되는 ASD 분류용 어텐션 강화 트랜스포머 프레임워크로 이러한 한계를 해결한다. 5겹 교차 검증에서 제안된 프레임워크는 공개 Kinect 기반 벤치마크에서 99.00%의 정확도, 99.02%의 정밀도, 99.00%의 재현율, 99.00%의 F1 점수, 99.00%의 특이도를 달성하여 비교 대상 최신 기법들의 성능을 능가했다. 또한 독립적인 비공개 포스 플레이트(force-plate) 데이터셋에서는 평균 95.00%의 정확도, 93.81%의 정밀도, 96.67%의 재현율, 95.13%의 F1 점수, 93.33%의 특이도를 달성했다.

arXiv:2609.22271v1cs.CV공통 태그 Binary Classification, Diagnostic

다중모달 뇌졸중 재발 예측을 위한 비전 및 교차 모달 학습 실현: 해석 가능한 2단계 프레임워크

Enabling Vision and Cross-Modal Learning for Multimodal Stroke Recurrence Prediction: An Interpretable Two-Step Framework

다중모달(multimodal) 뇌졸중 재발 예측은 이종의 임상 및 영상 데이터의 효과적인 통합을 필요로 하지만, 모달리티 불균형(modality imbalance)으로 인해 모델이 지배적인 모달리티에 지나치게 의존하고 상호보완적인 정보를 충분히 활용하지 못하는 경우가 자주 발생합니다. 자기지도 사전학습(self-supervised pretraining)과 선택적 매개변수 동결은 표현 학습과 미세조정 안정성을 향상시키기 위해 흔히 사용되지만, 다중모달 의료 모델에서 모달리티 기여도 및 교차 모달(cross-modal) 동작에 미치는 영향은 여전히 거의 연구되지 않았습니다. 본 연구에서는 최근 다루었던 임상적으로 중요한 과제인 뇌졸중 재발 예측을 위해, 3D CTA 스캔 기반의 영상 사전학습이 모달리티 불균형을 줄이고 교차 모달 통합을 향상시키는지 조사합니다. 이를 위해 두 가지 다중모달 신경망을 자기지도 방식으로 사전학습한 후, 두 가지 서로 다른 동결 전략을 사용하여 미세조정합니다. 이들의 성능과 모달리티 활용도를 이전 연구의 기준선 모델 및 본 연구에서 처음부터 완전히 학습(trained from scratch)된 모델 모두와 비교합니다. 연구 결과, 자기지도 사전학습은 다중모달 영상-정형(image-tabular) 데이터셋을 더욱 효과적으로 활용할 수 있게 하여 기존 기준선과 사전학습되지 않은 모든 모델을 능가함을 입증합니다. 특히, 가장 우수한 성능을 보인 Vision Transformer 기반 신경망은 단일모달 붕괴(unimodal collapse)를 성공적으로 극복했습니다. 시너지 분석 결과, 비전과 성별 및 관상동맥질환(CHD) 간의 유의미한 상호작용이 밝혀졌으며, 이는 뇌졸중 재발에 대한 임상적으로 유의미한 패턴을 시사합니다. 전반적으로, 본 연구의 결과는 자기지도 사전학습과 전략적인 미세조정이 보다 균형 잡힌 모달리티 활용을 지원하고 의미 있는 교차 모달 상호작용을 가능하게 함을 보여줍니다. 코드는 https://github.com/ChristianGappGit/SSL_Pretraining 에서 공개되어 있습니다.

arXiv:2609.23714v1cs.CV공통 태그 Binary Classification, Diagnostic

컴퓨터 비전과 불균형 인지 학습을 이용한 전염성 소 눈병 감지

Infectious Bovine Pinkeye Detection Using Computer Vision and Imbalance-Aware Learning

전염성 소 눈병은 가축의 건강, 복지, 농업 생산성에 악영향을 미치는 전염성 안구 질환이다. 기존 진단은 주로 임상 관찰에 의존하는데, 이는 주관적일 수 있고 시간이 많이 들며, 대규모 목장이나 원격 환경에서 효율적으로 시행하기 어렵다. 본 연구는 You Only Look Once(YOLO) v11과 YOLOv26을 평가·비교하여 소 눈병의 자동 분류를 수행하고, 클래스 균형화 전략이 모델 성능에 미치는 영향을 조사했다. 각 아키텍처의 다섯 가지 변형(n, s, m, l, x)을 원본 불균형 데이터셋, Random Minority Oversampling(RMO), 적응형 Synthetic Minority Oversampling Technique(SMOTE)을 사용하여 학습·평가했다. YOLOv11과 YOLOv26 모두 강한 분류 성능을 보였으나, 클래스 균형화의 효과는 모델 변형마다 달랐다. YOLOv11의 경우 RMO-s는 정확도 0.99, macro F1-score 0.98, true positive rate(TPR) 1.00을 달성했으며 false-negative 분류는 없었다. RMO-m 역시 TPR 1.00과 false negative가 없었다. YOLOv26의 경우 원본 l, RMO-m, RMO-l 변형 각각 정확도 0.99, macro F1-score 0.98을 달성했고, RMO-l은 TPR 1.00과 false negative가 없었다. 전반적으로 RMO는 적응형 SMOTE보다 소수 클래스 탐지에서 더 큰 개선을 주는 경우가 많았으며, 원본 YOLOv26-l의 우수한 성능은 모든 모델 변형에 오버샘플링이 필요하지 않음을 보여준다. 이러한 결과는 YOLOv11과 YOLOv26이 소 눈병 자동 감지에 잠재력이 있음을 보여 주며, 가축 건강 모니터링을 위한 추가 평가를 뒷받침한다.

arXiv:2609.23832v1cs.CV공통 태그 Binary Classification, Diagnostic

활성 트라코마 분류를 위한 DINOv2의 성능 비교 및 매개변수 효율적 적응

Comparative Performance and Parameter-Efficient Adaptation of DINOv2 for Active Trachoma Classification

결막 사진의 자동 등급 분류는 트라코마 유병률 조사의 비용과 변동성을 줄일 수 있지만, 공통 프로토콜 하에서 최신 사전학습 시각 표현, 경량 특징 적응, 학습 목표 설계의 상대적 가치는 아직 확립되지 않았다. 본 연구는 공개 UCSF/Lietman 컬렉션의 1,546장 이미지를 사용하여 Trachomatous Inflammation-Follicular(TF) 대 Normal의 이진 분류에 대한 통제된 평가를 제시한다. 이미지는 제로샷 tarsal-conjunctiva 분할, 정렬, 크롭, 표준화를 위해 OPTED 파이프라인으로 처리한다. 먼저 공통 분류 파이프라인으로 여섯 가지 사전학습 백본을 비교한 뒤, DINOv2 ViT-B/14에 네 가지 경량 적응 메커니즘을 평가한다. 계층화 5-fold 교차 검증 하에서, Efficient Channel Attention(ECA)과 focal-plus-center 손실을 적용한 DINOv2는 91.66 +/- 0.97% 정확도, 90.69 +/- 1.10% macro-F1, 96.06 +/- 0.71% AUC를 달성했다. ECA는 학습 가능 매개변수 다섯 개만 추가하면서 훨씬 큰 대안과 동등한 성능을 냈다. 목적 함수 ablation은 ECA가 손실 함수 전반에서 plain DINOv2를 일관되게 개선하지 않았음을 추가로 보여주었으며, 분산이 가장 낮은 91.66% 정확도는 교차 엔트로피와 center loss로 얻었다. 전반적으로, 파인튜닝된 DINOv2 표현이 예측 성능의 대부분을 제공했고, ECA는 학습 목표에 따라 효과가 달라지는 매우 매개변수 효율적인 정제를 제공했다. 결과 워크플로는 활성 트라코마 이미지 분류를 위한 재현 가능한 벤치마크를 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.