Fugu-MT 論文翻訳(概要): Neural Pharmacodynamic State Space Modeling

論文の概要: Neural Pharmacodynamic State Space Modeling

arxiv url: http://arxiv.org/abs/2102.11218v1
Date: Mon, 22 Feb 2021 17:51:11 GMT
ステータス: 処理完了
システム内更新日: 2021-02-23 14:48:42.356969
Title: Neural Pharmacodynamic State Space Modeling
Title（参考訳）: 神経薬理力学状態空間モデリング
Authors: Zeshan Hussain, Rahul G. Krishnan, David Sontag
Abstract要約: 本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。
参考スコア（独自算出の注目度）: 1.589915930948668
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modeling the time-series of high-dimensional, longitudinal data is important for predicting patient disease progression. However, existing neural network based approaches that learn representations of patient state, while very flexible, are susceptible to overfitting. We propose a deep generative model that makes use of a novel attention-based neural architecture inspired by the physics of how treatments affect disease state. The result is a scalable and accurate model of high-dimensional patient biomarkers as they vary over time. Our proposed model yields significant improvements in generalization and, on real-world clinical data, provides interpretable insights into the dynamics of cancer progression.
Abstract（参考訳）: 高次元長手データの時系列モデリングは、患者の疾患進行を予測する上で重要である。しかし、既存のニューラルネットワークベースのアプローチでは、患者の状態の表現を非常に柔軟に学習するが、過剰に適合しやすい。本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。その結果は、時間とともに変化する高次元患者バイオマーカーのスケーラブルで正確なモデルとなった。提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。

関連論文リスト

Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
論文参考訳（メタデータ） (2024-11-10T15:54:09Z)
Dynamic Hypergraph-Enhanced Prediction of Sequential Medical Visits [1.9622267160034885]
本研究では,電子カルテから将来の診断を精度良く予測する動的ハイパーグラフネットワーク(DHCE)モデルを提案する。 DHCEモデルは、患者の訪問履歴の中で急性および慢性疾患を識別・識別し、疾患間の複雑な高次相互作用をキャプチャする動的なハイパーグラフを構築することで、革新する。
論文参考訳（メタデータ） (2024-08-08T04:19:20Z)
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)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Explainable Deep Learning for Tumor Dynamic Modeling and Overall Survival Prediction using Neural-ODE [0.0]
本稿では,腫瘍ダイナミックニューラル-ODEを薬理学的インフォームドニューラルネットワークとして用いることを提案する。我々は,TDNODEが既存のモデルの重要な限界を克服し,乱れたデータから偏りのない予測を行うことを示す。得られた測定値を用いて,患者の全身生存率(OS)を高い精度で予測できることを示す。
論文参考訳（メタデータ） (2023-08-02T18:08:27Z)
Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic Modeling with Human Mobility [14.587916407752719]
多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
論文参考訳（メタデータ） (2023-06-26T17:09:43Z)
Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文参考訳（メタデータ） (2023-03-02T17:27:45Z)
Two-step interpretable modeling of Intensive Care Acquired Infections [0.0]
本稿では,高解像度長手データと生存モデルの動的予測機能を統合するための新しい手法を提案する。モデルの解釈可能性を維持しながら予測力を向上すること。
論文参考訳（メタデータ） (2023-01-26T14:54:17Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。我々はイタリアとフランスの疫病の進化を予報する。
論文参考訳（メタデータ） (2020-10-28T10:58:59Z)
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。