論文の概要: Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression

• arxiv url: http://arxiv.org/abs/2005.02643v2
• Date: Thu, 27 Aug 2020 11:28:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 05:26:29.890451
• Title: Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression
• Title（参考訳）: アルツハイマー病進行の個別予測のための深部再発モデル
• Authors: Wonsik Jung, Eunji Jun, Heung-Il Suk
• Abstract要約: アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.034948808542701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alzheimer's disease (AD) is known as one of the major causes of dementia and is characterized by slow progression over several years, with no treatments or available medicines. In this regard, there have been efforts to identify the risk of developing AD in its earliest time. While many of the previous works considered cross-sectional analysis, more recent studies have focused on the diagnosis and prognosis of AD with longitudinal or time series data in a way of disease progression modeling (DPM). Under the same problem settings, in this work, we propose a novel computational framework that can predict the phenotypic measurements of MRI biomarkers and trajectories of clinical status along with cognitive scores at multiple future time points. However, in handling time series data, it generally faces with many unexpected missing observations. In regard to such an unfavorable situation, we define a secondary problem of estimating those missing values and tackle it in a systematic way by taking account of temporal and multivariate relations inherent in time series data. Concretely, we propose a deep recurrent network that jointly tackles the four problems of (i) missing value imputation, (ii) phenotypic measurements forecasting, (iii) trajectory estimation of the cognitive score, and (iv) clinical status prediction of a subject based on his/her longitudinal imaging biomarkers. Notably, the learnable model parameters of our network are trained in an end-to-end manner with our circumspectly defined loss function. In our experiments over TADPOLE challenge cohort, we measured performance for various metrics and compared our method to competing methods in the literature. Exhaustive analyses and ablation studies were also conducted to better confirm the effectiveness of our method.
• Abstract（参考訳）: アルツハイマー病(AD)は認知症の主要な原因の1つとして知られており、治療や医薬のない数年間の進行が遅いことが特徴である。 この点に関して、初期のAD開発リスクを特定する努力がなされている。 従来の研究の多くは横断的解析を考慮に入れていたが,近年の研究では,病的進行モデル(DPM)を用いた経時的・時系列的データを用いたADの診断と予後に焦点を当てている。 そこで本研究では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を,複数時点の認知スコアとともに予測できる新しい計算フレームワークを提案する。 しかし、時系列データを扱う際には、概して予期せぬ多くの観測に直面する。 このような不利な状況については、時系列データに固有の時間的・多変量的関係を考慮に入れて、これらの欠落値を推定し、体系的に取り組む二次問題を定義する。 具体的には,4つの問題に共同で取り組むディープリカレントネットワークを提案する。 (i)価値の含意の欠如 (ii)表現型測定の予測 (iii)認知スコアの軌跡推定と (4)縦画像バイオマーカーによる対象者の臨床状態の予測 特に、ネットワークの学習可能なモデルパラメータは、周的に定義された損失関数を用いてエンドツーエンドで訓練される。 TADPOLEチャレンジコホートを用いた実験では,様々な測定値のパフォーマンスを測定し,本手法を文献の競合手法と比較した。 また, この方法の有効性を確認するため, 排他的解析およびアブレーション研究も行った。

関連論文リスト

• General targeted machine learning for modern causal mediation analysis [3.813608775141218]
  因果媒介分析は、その作用を引き起こすメカニズムを解明する。 媒介分析に対する6つの一般的な非パラメトリック手法の同定式は2つの統計的推定値から復元可能であることを示す。 我々は,任意の媒介研究において,機械学習と組み合わせることができる全目的の一段階推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:31:26Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
  神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。 本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
  論文  参考訳（メタデータ） (2024-06-18T17:22:55Z)
• Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。 与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。 本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
  論文  参考訳（メタデータ） (2024-03-11T17:26:18Z)
• Deep Geometric Learning with Monotonicity Constraints for Alzheimer's Disease Progression [8.923442084735075]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、進行性および不可逆性認知症に先行する破壊的な神経変性疾患である。 深層学習に基づくデータバリアビリティと空間性に関するアプローチは、本質的に幾何学的性質についてはまだ検討されていない。 本研究では,縦型MRIバイオマーカーと認知スコアをモデル化した新しい幾何学的学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-05T07:14:34Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Toward a multimodal multitask model for neurodegenerative diseases diagnosis and progression prediction [0.5735035463793008]
  本稿では、アルツハイマー病の予測に使用されるモデルの様々なカテゴリを、それぞれの学習手法で概説する。 それは、アルツハイマー病の進行を早期に予測し、検出する比較研究を確立している。 最後に,ロバストかつ高精度な検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-10T11:44:16Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。