PRISM-CTG: Modello Fondamentale Auto-Supervisionato per l'Analisi della Cardiotocografia
I ricercatori propongono PRISM-CTG, un modello fondamentale auto-supervisionato per l'analisi automatizzata della CTG. Utilizza un framework auto-supervisionato multi-vista con tre obiettivi pretesto: ricostruzione del segnale mascherato, previsione di variabili cliniche e classificazione delle caratteristiche. Il modello sfrutta registrazioni non etichettate su larga scala per apprendere rappresentazioni trasferibili, superando i limiti dei modelli supervisionati su dataset curati.
Fatti principali
- PRISM-CTG sta per Apprendimento di Rappresentazioni Consapevole della Fisiologia tramite Auto-Supervisione Integrata e Metadati per CTG.
- È un modello fondamentale auto-supervisionato clinicamente fondato per l'analisi della cardiotocografia.
- Il modello utilizza un framework auto-supervisionato multi-vista con tre obiettivi pretesto complementari.
- I tre obiettivi sono: ricostruzione del segnale mascherato guidata da proiezione casuale, previsione di variabili cliniche e classificazione delle caratteristiche.
- Ogni obiettivo ha un token dedicato specifico per l'apprendimento di rappresentazioni specializzate.
- Il modello è pre-addestrato su registrazioni cliniche non etichettate su larga scala.
- Mira ad apprendere rappresentazioni trasferibili a livello di dominio.
- I modelli di deep learning supervisionati per CTG sono limitati da dataset etichettati strettamente curati e piccole coorti di pazienti.
Entità
—