論文の概要: Reinforcement Learning based Disease Progression Model for Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2106.16187v1
• Date: Wed, 30 Jun 2021 16:32:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 16:47:44.061214
• Title: Reinforcement Learning based Disease Progression Model for Alzheimer's Disease
• Title（参考訳）: 強化学習に基づくアルツハイマー病の疾患進行モデル
• Authors: Krishnakant V. Saboo, Anirudh Choudhary, Yurui Cao, Gregory A. Worrell, David T. Jones and Ravishankar K. Iyer
• Abstract要約: 我々は、微分方程式(DE)と強化学習(RL)をドメイン知識と組み合わせて、アルツハイマー病(AD)の進行をモデル化する。 我々は、DES(シミュレーター)と訓練されたRLエージェントからなるモデルを用いて、個別化された10年間のAD進行を予測する。 我々のフレームワークは、AD進行をモデル化するためのDESとRLを組み合わせており、他の神経疾患の理解に広く適用可能である。
• 参考スコア（独自算出の注目度）: 3.1224202646855894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We model Alzheimer's disease (AD) progression by combining differential equations (DEs) and reinforcement learning (RL) with domain knowledge. DEs provide relationships between some, but not all, factors relevant to AD. We assume that the missing relationships must satisfy general criteria about the working of the brain, for e.g., maximizing cognition while minimizing the cost of supporting cognition. This allows us to extract the missing relationships by using RL to optimize an objective (reward) function that captures the above criteria. We use our model consisting of DEs (as a simulator) and the trained RL agent to predict individualized 10-year AD progression using baseline (year 0) features on synthetic and real data. The model was comparable or better at predicting 10-year cognition trajectories than state-of-the-art learning-based models. Our interpretable model demonstrated, and provided insights into, "recovery/compensatory" processes that mitigate the effect of AD, even though those processes were not explicitly encoded in the model. Our framework combines DEs with RL for modelling AD progression and has broad applicability for understanding other neurological disorders.
• Abstract（参考訳）: 我々は、微分方程式(DE)と強化学習(RL)をドメイン知識と組み合わせて、アルツハイマー病(AD)の進行をモデル化する。 DEはADに関連するいくつかの要素の間の関係を提供するが、全てではない。 欠落した関係は、例えば認知の最大化や認知を支援するコストの最小化など、脳の働きに関する一般的な基準を満たす必要があると仮定する。 これにより、RLを用いて、上記の基準を捉えた目的(逆)関数を最適化することで、欠落した関係を抽出することができる。 我々は、DES(シミュレーター)と訓練されたRLエージェントからなるモデルを用いて、合成および実データに基づくベースライン(年0)特徴を用いた個人化された10年間のAD進行を予測する。 このモデルは、最先端の学習モデルよりも、10年間の認知軌道を予測するのに優れている。 我々の解釈可能なモデルは、これらのプロセスがモデルに明示的にエンコードされていないにもかかわらず、ADの効果を緩和する「回復/補償」プロセスを示し、洞察を与えました。 我々のフレームワークは、AD進行をモデル化するためのDESとRLを組み合わせており、他の神経疾患の理解に広く適用可能である。

関連論文リスト

• A Quantitative Approach for Evaluating Disease Focus and Interpretability of Deep Learning Models for Alzheimer's Disease Classification [17.549219224802]
  深層学習(DL)モデルはアルツハイマー病(AD)分類において有意な可能性を示している。 我々は,DLモデルの解釈可能性を高めるために,定量的な病因抽出戦略を開発した。 疾患関連領域に注目する能力の観点から,これらのモデルを評価した。
  論文  参考訳（メタデータ） (2024-09-07T19:16:40Z)
• Unifying Interpretability and Explainability for Alzheimer's Disease Progression Prediction [6.582683443485416]
  強化学習は近年,アルツハイマー病(AD)の進行を予測できることが示唆されている。 RLアルゴリズムがどの処理に適しているかは明らかでない。 我々の研究は、予測精度と透明性を融合し、臨床医や研究者が疾患進行モデリングの強化を支援することを目的としている。
  論文  参考訳（メタデータ） (2024-06-11T23:54:42Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
  本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。 因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T06:33:48Z)
• Robust Alzheimer's Progression Modeling using Cross-Domain Self-Supervised Deep Learning [3.0948853907734044]
  我々は,医学画像を入力として回帰問題として,疾患予測モデリングのためのクロスドメイン自己教師型学習手法を開発した。 脳MRIによるアルツハイマー病の進行予測を,自己指導型プレトレーニングで改善できることを実証した。 また,脳MRIデータの拡張(ラベル付きではない)による事前トレーニングは,自然画像上での事前トレーニングよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-15T23:04:15Z)
• Normative Modeling via Conditional Variational Autoencoder and Adversarial Learning to Identify Brain Dysfunction in Alzheimer's Disease [10.302206705998563]
  アルツハイマー病(AD)の脳機能障害を同定するために、条件付き変分オートエンコーダと対向学習(ACVAE)を組み合わせた新しい規範的モデリング法を提案する。 OASIS-3データベースを用いた実験により,本モデルが生成する偏差マップは,他の深部規範モデルと比較してADに対する感度が高いことが示された。
  論文  参考訳（メタデータ） (2022-11-13T07:36:30Z)
• Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
  CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。 提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2022-09-03T04:10:45Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)

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。