MELON: Multimodal Mixture-of-Experts with Spectral-Temporal Fusion for Long-Term Mobility Estimation in Critical Care
Created by
Haebom
Category
Empty
저자
Jiaqing Zhang, Miguel Contreras, Jessica Sena, Andrea Davidson, Yuanfang Ren, Ziyuan Guan, Tezcan Ozrazgat-Baslanti, Tyler J. Loftus, Subhash Nerella, Azra Bihorac, Parisa Rashidi
개요
본 논문에서는 중환자실 환자의 이동성 모니터링을 위한 새로운 다중 모달 프레임워크인 MELON을 제시합니다. MELON은 스펙트로그램 기반 시각적 표현과 순차적 가속도계 통계적 특징을 결합한 이중 분기 네트워크 아키텍처를 활용하여 12시간 이동성 상태를 예측합니다. 기존 접근 방식의 한계점인 고차원성, 변동성 및 노이즈 문제를 해결하기 위해 사전 훈련된 이미지 인코더와 전문가 혼합 인코더를 통합하여 전반적인 이동 패턴과 세부적인 패턴을 효과적으로 포착합니다. 플로리다 대학교 건강 샌즈 병원의 9개 중환자실에서 모집한 126명의 환자에 대한 다중 모달 데이터셋을 사용하여 모델을 훈련 및 평가한 결과, MELON은 기존 방법보다 우수한 성능(AUROC 0.82)을 보였으며, 특히 손목에서 수집된 가속도계 데이터가 발목 데이터보다 예측 성능이 더욱 뛰어남을 확인했습니다.
시사점, 한계점
•
시사점:
◦
중환자실 환자의 12시간 이동성 상태 예측에 대한 새로운 다중 모달 프레임워크 MELON 제시.
◦
기존 방법보다 우수한 예측 성능(AUROC 0.82) 달성.
◦
손목 센서만으로도 충분한 예측 성능을 보여 환자 부담 및 비용 절감 가능성 제시.
◦
스펙트로그램 기반 시각적 표현과 순차적 가속도계 통계적 특징을 효과적으로 결합한 방법론 제시.
•
한계점:
◦
현재는 12시간 이동성 예측에 집중, 더 짧거나 긴 시간 범위에 대한 예측 성능은 추가 연구 필요.
