ATTE：年齢層別ガイダンスによるファインチューニングを伴う革新的なアンサンブル学習法による個別血圧推定の改善

科学分野:

• 生物医学工学
• ヘルスケアにおける人工知能
• 心血管モニタリング

背景:

• 精度医療にはヘルスケアのための正確なカフなし血圧（BP）推定が要求されます。
• 転移学習は個別化BP推定を進歩させましたが、年齢特異的な生理学的差異が見過ごされることがよくあります。
• 従来のファインチューニング法は、個別化BP推定モデルの効果を制限します。

研究 の 目的:

• カフなしBP推定のための新しい2レベルアンサンブル学習法（ATTE）を導入すること。
• 年齢マッチングされた事前学習がBP推定のファインチューニングを改善するという原則を検証すること。
• 個別化BP推定における精度を高め、不確実性を減らすこと。

主な方法:

• 複数の脈波ベースBPモデルを統合する2レベルアンサンブル学習法（ATTE）を開発しました。
• 年齢層別モデルを組み合わせるための特徴レベルアンサンブル学習（FEL）を実装しました。
• モデル出力の適応的重み付けのために最適化されたベイズモデル平均（BMA）を利用しました。

主要な成果:

• ATTEは、わずか50の転移サンプルを使用して、公開データセットで収縮期および拡張期BP推定精度を6.55％および5.58％改善しました。
• 高齢者ケアで検証された自己収集データセットで5.10％および8.30％の精度向上を達成しました。
• アブレーション研究は、年齢マッチングファインチューニングの原則とATTEの有効性および一般化可能性を確認しました。

結論:

• 年齢マッチングファインチューニングの原則は、個別化BP推定を大幅に強化します。
• ATTE法は、カフなしBP推定に対して堅牢で正確なアプローチを提供します。
• この研究は、個別化モニタリングにおける実際のヘルスケアアプリケーションに大きな可能性を秘めています。