Fugu-MT 論文翻訳(概要): Learning transition times in event sequences: the Event-Based Hidden Markov Model of disease progression

論文の概要: Learning transition times in event sequences: the Event-Based Hidden Markov Model of disease progression

arxiv url: http://arxiv.org/abs/2011.01023v2
Date: Fri, 4 Jun 2021 13:15:17 GMT
ステータス: 処理完了
システム内更新日: 2022-09-30 12:43:32.419171
Title: Learning transition times in event sequences: the Event-Based Hidden Markov Model of disease progression
Title（参考訳）: 事象系列における遷移時間の学習--疾患進行の事象に基づく隠れマルコフモデル
Authors: Peter A. Wijeratne and Daniel C. Alexander
Abstract要約: 我々は、イベントベースと隠れマルコフモデリングのアイデアを結びつけて、疾患進行の新しい生成モデルを作成する。我々のモデルは、限られたデータセットから最も可能性の高いグループレベルのシーケンスとイベントのタイミングを推測することができる。我々は,アルツハイマー病神経画像イニシアチブの臨床的,画像的,バイオ流体的データを用いて,我々のモデルの有効性と有用性を実証した。
参考スコア（独自算出の注目度）: 4.12857285066818
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Progressive diseases worsen over time and are characterised by monotonic change in features that track disease progression. Here we connect ideas from two formerly separate methodologies -- event-based and hidden Markov modelling -- to derive a new generative model of disease progression. Our model can uniquely infer the most likely group-level sequence and timing of events (natural history) from limited datasets. Moreover, it can infer and predict individual-level trajectories (prognosis) even when data are missing, giving it high clinical utility. Here we derive the model and provide an inference scheme based on the expectation maximisation algorithm. We use clinical, imaging and biofluid data from the Alzheimer's Disease Neuroimaging Initiative to demonstrate the validity and utility of our model. First, we train our model to uncover a new group-level sequence of feature changes in Alzheimer's disease over a period of ${\sim}17.3$ years. Next, we demonstrate that our model provides improved utility over a continuous time hidden Markov model by area under the receiver operator characteristic curve ${\sim}0.23$. Finally, we demonstrate that our model maintains predictive accuracy with up to $50\%$ missing data. These results support the clinical validity of our model and its broader utility in resource-limited medical applications.
Abstract（参考訳）: 進行性疾患は時間とともに悪化し、疾患の進行を追跡する特徴の単調な変化によって特徴づけられる。ここでは、以前分離されていた2つの方法論(イベントベースと隠れマルコフモデリング)からアイデアを結びつけて、病気の進行の新しい生成モデルを生み出します。我々のモデルは、限られたデータセットから最も可能性の高いグループレベルのシーケンスとイベントのタイミング(自然史)を推測することができる。さらに、データが欠落しても、個々のレベルの軌跡(予後)を推測し予測し、高い臨床的有用性を与える。ここではモデルを導出し、期待最大化アルゴリズムに基づく推論スキームを提供する。アルツハイマー病の神経画像化イニシアチブから得られた臨床・画像・バイオ流体データを用いて,本モデルの有効性と有用性を示す。まず,アルツハイマー病における新たなグループレベルの特徴変化を,年間${\sim}17.3ドルの期間にわたって明らかにするために,我々のモデルを訓練する。次に, 本モデルが, 連続時間隠れマルコフモデルに対して, 受信者特性曲線${\sim}0.23$ の面積で有用性を向上させることを実証する。最後に、我々のモデルは最大50\%の損失データで予測精度を維持することを示した。これらの結果は,資源限定医療応用における本モデルの臨床的妥当性と,その幅広い有用性を支持するものである。

関連論文リスト

Unscrambling disease progression at scale: fast inference of event permutations with optimal transport [2.9087305408570945]
疾患進行モデルでは、慢性変性状態として、患者の特徴の変化の群レベルの時間的軌跡を推定する。本研究では,Birkhoff polytopeに属する事象の潜在置換行列として,最適な輸送からモデル疾患進行へのアイデアを活用する。実験は、シミュレーションにおけるノイズに対する速度、精度、堅牢性の増加を実証する。
論文参考訳（メタデータ） (2024-10-18T11:44:29Z)
Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
論文参考訳（メタデータ） (2024-08-04T13:09:06Z)
HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information Bottleneck [3.8988556182958005]
情報ボトルネック戦略(HGIB)に基づく新しいハイパーグラフフレームワークを提案する。本フレームワークは,無関係な情報を識別することを目的としており,今後のMCI変換予測のための関連情報の調和にのみ焦点をあてている。我々は、ADNIに関する広範な実験を通じて、提案したHGIBフレームワークが、アルツハイマー病予後のための既存の最先端ハイパーグラフニューラルネットワークより優れていることを実証した。
論文参考訳（メタデータ） (2023-03-18T10:53:43Z)
Mixture of Input-Output Hidden Markov Models for Heterogeneous Disease Progression Modeling [11.768140291216769]
本稿では,多発性疾患の進行動態を検出する階層型時系列モデルを提案する。本稿では,パーキンソン病に対する合成データセットと実世界縦断データセットを用いたモデルの有用性について述べる。
論文参考訳（メタデータ） (2022-07-24T23:17:06Z)
Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文参考訳（メタデータ） (2022-04-28T08:41:51Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Efficient Learning and Decoding of the Continuous-Time Hidden Markov Model for Disease Progression Modeling [119.50438407358862]
本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。 EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
論文参考訳（メタデータ） (2021-10-26T20:06:05Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
EventScore: An Automated Real-time Early Warning Score for Clinical Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。このモデルは2つのデータセットと4つの臨床イベントで評価される。私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文参考訳（メタデータ） (2021-02-11T11:55:08Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。