論文の概要: Generating Digital Twins with Multiple Sclerosis Using Probabilistic Neural Networks

• arxiv url: http://arxiv.org/abs/2002.02779v2
• Date: Sun, 19 Apr 2020 17:39:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 02:49:47.450691
• Title: Generating Digital Twins with Multiple Sclerosis Using Probabilistic Neural Networks
• Title（参考訳）: 確率的ニューラルネットワークを用いた多発性硬化症を有するデジタル双生児の生成
• Authors: Jonathan R. Walsh, Aaron M. Smith, Yannick Pouliot, David Li-Bland, Anton Loukianov, and Charles K. Fisher
• Abstract要約: デジタル双生児は、実際の被験者と同じベースラインデータを持つシミュレーション対象である。 モデルにより生成されたデジタル双生児は, 実際の被写体と統計的に区別できないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple Sclerosis (MS) is a neurodegenerative disorder characterized by a complex set of clinical assessments. We use an unsupervised machine learning model called a Conditional Restricted Boltzmann Machine (CRBM) to learn the relationships between covariates commonly used to characterize subjects and their disease progression in MS clinical trials. A CRBM is capable of generating digital twins, which are simulated subjects having the same baseline data as actual subjects. Digital twins allow for subject-level statistical analyses of disease progression. The CRBM is trained using data from 2395 subjects enrolled in the placebo arms of clinical trials across the three primary subtypes of MS. We discuss how CRBMs are trained and show that digital twins generated by the model are statistically indistinguishable from their actual subject counterparts along a number of measures.
• Abstract（参考訳）: 多発性硬化症(multiple sclerosis, ms)は、複雑な臨床評価が特徴の神経変性疾患である。 我々は、条件制限ボルツマンマシン(CRBM)と呼ばれる教師なし機械学習モデルを用いて、MS臨床試験において、被験者と疾患の進行を特徴付けるために一般的に使用される共変量との関係を学習する。 crbmは、実際の被験者と同じベースラインデータを持つシミュレーション対象であるデジタル双子を生成することができる。 デジタル双生児は疾患の進行に関する主題レベルの統計分析を可能にする。 CRBMは,MSの3つの主要サブタイプにまたがる臨床治験のプレースボアームに登録された2395名の被験者のデータを用いて訓練を行い,モデルにより生成されたデジタル双生児が,実際の被験者と統計的に区別できないことを示す。

関連論文リスト

• Digital Twin Generators for Disease Modeling [2.341540989979203]
  患者のデジタルツイン(英: Digital twin)とは、患者の健康状態の経時変化を記述する計算モデルである。 デジタル双生児は、人間の健康の個々のレベルのコンピュータシミュレーションを可能にすることによって、医療に革命をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-05-02T17:23:04Z)
• Med-Real2Sim: Non-Invasive Medical Digital Twins using Physics-Informed Self-Supervised Learning [15.106435744696013]
  デジタルツイン(Digital twin)は、数学的モデリングを用いてその定義する特徴を特徴づけ、シミュレートする現実世界の物理現象の仮想レプリカである。 非侵襲的な患者健康データのみを用いてデジタル双対モデルパラメータを同定する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-29T23:04:42Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Probing the Limits and Capabilities of Diffusion Models for the Anatomic Editing of Digital Twins [0.9628617363701458]
  本稿では,デジタル双生児の解剖学的変異を編集する潜在拡散モデルの能力について検討する。 我々は特にデジタル双生児を編集し、異なる空間スケールおよび局所領域で解剖学的変異を導入する。
  論文  参考訳（メタデータ） (2023-12-30T14:21:30Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Competence-based Multimodal Curriculum Learning for Medical Report Generation [98.10763792453925]
  本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。 具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。 パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-06-24T08:16:01Z)
• Disability prediction in multiple sclerosis using performance outcome measures and demographic data [8.85999610143128]
  我々は,多次元,手頃な,物理的,スマートフォンによるパフォーマンス評価尺度(POM)を,人口統計と併用して,疾患の進行を予測する。 我々の知る限りでは、POMと人口統計データを用いて病気の進行を予測することが可能であることを初めて示す。
  論文  参考訳（メタデータ） (2022-04-08T09:57:00Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Modeling Disease Progression in Mild Cognitive Impairment and Alzheimer's Disease with Digital Twins [0.0]
  デジタル双生児は、実際の被験者とベースラインデータを共有する臨床記録のシミュレーションである。 我々はDigital Twinsが、さまざまな病気の重症度で臨床試験において、いくつかの重要なエンドポイントの進行を同時に捉える方法を示す。
  論文  参考訳（メタデータ） (2020-12-24T22:29:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。