論文の概要: Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression

• arxiv url: http://arxiv.org/abs/2106.02875v2
• Date: Wed, 9 Jun 2021 08:09:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 04:37:41.717635
• Title: Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression
• Title（参考訳）: 専門的なODEをニューラルネットワークに統合する:薬理学と疾患の進展
• Authors: Zhaozhi Qian, William R. Zame, Lucas M. Fleuren, Paul Elbers, Mihaela van der Schaar
• Abstract要約: 潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
• 参考スコア（独自算出の注目度）: 71.7560927415706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling a system's temporal behaviour in reaction to external stimuli is a fundamental problem in many areas. Pure Machine Learning (ML) approaches often fail in the small sample regime and cannot provide actionable insights beyond predictions. A promising modification has been to incorporate expert domain knowledge into ML models. The application we consider is predicting the progression of disease under medications, where a plethora of domain knowledge is available from pharmacology. Pharmacological models describe the dynamics of carefully-chosen medically meaningful variables in terms of systems of Ordinary Differential Equations (ODEs). However, these models only describe a limited collection of variables, and these variables are often not observable in clinical environments. To close this gap, we propose the latent hybridisation model (LHM) that integrates a system of expert-designed ODEs with machine-learned Neural ODEs to fully describe the dynamics of the system and to link the expert and latent variables to observable quantities. We evaluated LHM on synthetic data as well as real-world intensive care data of COVID-19 patients. LHM consistently outperforms previous works, especially when few training samples are available such as at the beginning of the pandemic.
• Abstract（参考訳）: 外部刺激に反応してシステムの時間的挙動をモデル化することは、多くの領域において根本的な問題である。 純粋な機械学習(ML)アプローチは、小さなサンプルシステムでは失敗することが多く、予測を越えて実行可能な洞察を提供することはできない。 有望な修正は、専門家のドメイン知識をMLモデルに組み込むことである。 私たちが検討するアプリケーションは、薬理学から多くのドメイン知識が利用できる薬理学における疾患の進行を予測することである。 薬理モデルは、通常の微分方程式(odes)の系の観点から、慎重に医学的に有意義な変数の力学を記述する。 しかしながら、これらのモデルは変数の限られた集まりしか記述せず、臨床環境では観察できないことが多い。 このギャップを埋めるために、専門家設計のODEと機械学習のNeural ODEのシステムを統合する潜時ハイブリッドモデル(LHM)を提案し、システムのダイナミクスを完全に記述し、専門家と潜時変数を観測可能な量にリンクする。 新型コロナウイルス患者のLHMと実世界集中治療データを用いてLHMを評価した。 LHMは、特にパンデミックの開始時など、トレーニングサンプルが少ない場合、従来よりも一貫して優れています。

関連論文リスト

• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• Improving Normative Modeling for Multi-modal Neuroimaging Data using mixture-of-product-of-experts variational autoencoders [0.0]
  既存の変分オートエンコーダ(VAE)ベースの規範モデルは、積を推定したり、不定形遅延後部の平均化によって複数のモードから情報を集約する。 これはしばしば、主観レベルの偏差の推定に影響を及ぼす非形式的な関節潜伏分布をもたらす。 後肢後肢のモデリングを改善するMixture-of-Product-of-Experts法を応用した。
  論文  参考訳（メタデータ） (2023-12-02T01:17:01Z)
• A statistical approach to latent dynamic modeling with differential equations [0.0]
  通常の微分方程式(ODE)は、プロセスの時間的局所的な変化の力学モデルを提供することができる。 本稿では,各観測結果を初期値として利用して,複数のローカルODEソリューションを得る方法を提案する。 脊髄性筋萎縮症に対するアプローチとそれに対応するシミュレーション研究について述べる。
  論文  参考訳（メタデータ） (2023-11-27T20:02:55Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Model Based Reinforcement Learning for Personalized Heparin Dosing [0.0]
  本稿では,パーソナライズされたヘパリン投与量を最適化する上での課題に対処する枠組みを提案する。 患者によって個別にパラメータ化された予測モデルを用いて、将来の治療効果を予測する。 次に、このモデルをシナリオ生成ベースのアプローチで活用し、患者の安全性を確保する。
  論文  参考訳（メタデータ） (2023-04-19T22:37:12Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Modelling COVID-19 Pandemic Dynamics Using Transparent, Interpretable, Parsimonious and Simulatable (TIPS) Machine Learning Models: A Case Study from Systems Thinking and System Identification Perspectives [1.4061680807550718]
  本研究では, システム工学とシステム同定手法を用いて, 透過的, 解釈可能, 擬似的, シミュラブルな動的機械学習モデルを構築することを提案する。 TIPSモデルは、よく知られたNARMAX(Nonlinear AutoRegressive moving Average with eXogenous inputs)モデルに基づいて開発されている。
  論文  参考訳（メタデータ） (2021-11-01T08:42:37Z)

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。