論文の概要: Modeling Disease Progression in Mild Cognitive Impairment and
Alzheimer's Disease with Digital Twins
- arxiv url: http://arxiv.org/abs/2012.13455v1
- Date: Thu, 24 Dec 2020 22:29:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 08:05:52.852325
- Title: Modeling Disease Progression in Mild Cognitive Impairment and
Alzheimer's Disease with Digital Twins
- Title(参考訳): 軽度認知障害とアルツハイマー病におけるデジタル双生児の病態進展のモデル化
- Authors: Daniele Bertolini, Anton D. Loukianov, Aaron M. Smith, David Li-Bland,
Yannick Pouliot, Jonathan R. Walsh, Charles K. Fisher
- Abstract要約: 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。
- 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: Alzheimer's Disease (AD) is a neurodegenerative disease that affects subjects
in a broad range of severity and is assessed in clinical trials with multiple
cognitive and functional instruments. As clinical trials in AD increasingly
focus on earlier stages of the disease, especially Mild Cognitive Impairment
(MCI), the ability to model subject outcomes across the disease spectrum is
extremely important. We use unsupervised machine learning models called
Conditional Restricted Boltzmann Machines (CRBMs) to create Digital Twins of AD
subjects. Digital Twins are simulated clinical records that share baseline data
with actual subjects and comprehensively model their outcomes under
standard-of-care. The CRBMs are trained on a large set of records from subjects
in observational studies and the placebo arms of clinical trials across the AD
spectrum. These data exhibit a challenging, but common, patchwork of measured
and missing observations across subjects in the dataset, and we present a novel
model architecture designed to learn effectively from it. We evaluate
performance against a held-out test dataset and show how Digital Twins
simultaneously capture the progression of a number of key endpoints in clinical
trials across a broad spectrum of disease severity, including MCI and
mild-to-moderate AD.
- Abstract(参考訳): アルツハイマー病(英語: Alzheimer's Disease, AD)は、神経変性疾患であり、様々な重症度に影響を及ぼし、複数の認知機能機器を用いて臨床試験で評価される。
ADの臨床試験は、病気の早期、特に軽度認知障害(MCI)に重点を置いているため、疾患スペクトラム全体にわたる被験者の結果をモデル化する能力は非常に重要である。
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、AD被験者のデジタルツインを作成する。
デジタル双生児(英: digital twins)は、実際の被験者とベースラインデータを共有し、標準治療下での結果を包括的にモデル化する臨床記録である。
CRBMは、観察研究の被験者から得た大量の記録と、ADスペクトル全体にわたる臨床試験のプラセボアームに基づいて訓練されている。
これらのデータは、データセット内の被験者間で測定および欠落した観察の、挑戦的だが一般的なパッチワークを示し、それから効果的に学習する新しいモデルアーキテクチャを提案する。
本研究は,Digital Twinsが,MCIや軽度・軽度ADを含む多彩な疾患重症度で臨床治験において,複数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。
関連論文リスト
- Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Predicting multiple sclerosis disease severity with multimodal deep
neural networks [10.599189568556508]
患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。
提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
論文 参考訳(メタデータ) (2023-04-08T16:23:18Z) - Multimodal Attention-based Deep Learning for Alzheimer's Disease
Diagnosis [9.135911493822261]
アルツハイマー病(英語: Alzheimer's Disease、AD)は、最も複雑な病原体を持つ神経変性疾患である。
われわれは,ADの有無を正確に検出するためのマルチモーダルアルツハイマー病診断フレームワーク(MADDi)を提案する。
論文 参考訳(メタデータ) (2022-06-17T15:10:00Z) - Improving the Diagnosis of Psychiatric Disorders with Self-Supervised
Graph State Space Models [0.0]
静止機能磁気共鳴画像(rs-fMRI)から異種精神疾患の診断を改善するための枠組みを提案する。
rs-fMRIデータをモデル化するために、最近提案された状態空間モデルS4への拡張であるGraph-S4を開発した。
このフレームワークとGraph-S4を組み合わせることで、3つのオープンソースマルチセンター rs-fMRI 臨床データセットにおいて、MDD と ASD のニューロイメージングに基づく単体予測モデルの診断性能が大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-06-07T14:15:43Z) - 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) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳(メタデータ) (2022-04-07T22:14:37Z) - 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) - 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) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳(メタデータ) (2020-07-15T09:22:55Z) - Generating Digital Twins with Multiple Sclerosis Using Probabilistic
Neural Networks [0.0]
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。
論文 参考訳(メタデータ) (2020-02-04T02:57:08Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳(メタデータ) (2020-01-08T15:47:08Z)
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。