
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于联合度量学习损失的早产新生儿异常多动多模态识别先导研究
《BioMedical Engineering OnLine》:An internal methodological evaluation of a multimodal VIDEO-IMU metric-learning framework for fidgety movement classification in preterm neonates: a controlled sample-level study
【字体: 大 中 小 】 时间:2026年10月15日 来源:BioMedical Engineering OnLine 4.6
编辑推荐:
摘要背景早产新生儿发生脑瘫的风险显著高于足月新生儿,早期识别异常多动(FM)对于早期风险筛查具有重要的临床意义。方法本先导研究探讨了联合度量学习损失能否改善新生儿多模态数据集中异常多动(FM)/非异常多动(nFM)的表示学习。研究数据来源于11例校正年龄为3至5月的早产新生儿
早产新生儿发生脑瘫的风险显著高于足月新生儿,早期识别异常多动(FM)对于早期风险筛查具有重要的临床意义。
本先导研究探讨了联合度量学习损失能否改善新生儿多模态数据集中异常多动(FM)/非异常多动(nFM)的表示学习。研究数据来源于11例校正年龄为3至5月的早产新生儿,被划分为1957个多模态样本,每个样本由运动历史图像(MHI)特征和惯性测量单元(IMU)信号组成,FM/nFM标签及片段元数据以统一清单形式组织。所提出的基于ImageBind的框架使用MHI和IMU输入进行训练,以FM/nFM标签用于监督损失优化,最终测试阶段的推理同样仅使用MHI和IMU数据。为了解决三元组损失和调优星座损失的互补性局限,我们设计了一种联合损失,同时施加局部距离约束和全局嵌入结构约束。
在此预定义的内部样本级评估设置中,联合损失模型优于单一损失基线,在内部测试划分上达到准确率0.838、F1分数0.828、AUROC 0.909和AUPRC 0.894。这些发现表明,联合损失缓解了单一损失训练的失效模式,并在当前先导方法学设置下改善了类别平衡性。
总体而言,本研究提供了基础性证据,表明多模态度量学习可以支持早产新生儿的FM/nFM表示学习,并为在更大规模的受试者保留队列中进行进一步验证提供了依据。
早产新生儿发生脑瘫的风险显著高于足月新生儿,早期识别异常多动(FM)对于早期风险筛查具有重要的临床意义。
本先导研究探讨了联合度量学习损失能否改善新生儿多模态数据集中异常多动(FM)/非异常多动(nFM)的表示学习。研究数据来源于11例校正年龄为3至5月的早产新生儿,被划分为1957个多模态样本,每个样本由运动历史图像(MHI)特征和惯性测量单元(IMU)信号组成,FM/nFM标签及片段元数据以统一清单形式组织。所提出的基于ImageBind的框架使用MHI和IMU输入进行训练,以FM/nFM标签用于监督损失优化,最终测试阶段的推理同样仅使用MHI和IMU数据。为了解决三元组损失和调优星座损失的互补性局限,我们设计了一种联合损失,同时施加局部距离约束和全局嵌入结构约束。
在此预定义的内部样本级评估设置中,联合损失模型优于单一损失基线,在内部测试划分上达到准确率0.838、F1分数0.828、AUROC 0.909和AUPRC 0.894。这些发现表明,联合损失缓解了单一损失训练的失效模式,并在当前先导方法学设置下改善了类别平衡性。
总体而言,本研究提供了基础性证据,表明多模态度量学习可以支持早产新生儿的FM/nFM表示学习,并为在更大规模的受试者保留队列中进行进一步验证提供了依据。