論文の概要: Stroke recovery phenotyping through network trajectory approaches and
graph neural networks
- arxiv url: http://arxiv.org/abs/2109.14659v1
- Date: Wed, 29 Sep 2021 18:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-02 10:10:18.705311
- Title: Stroke recovery phenotyping through network trajectory approaches and
graph neural networks
- Title（参考訳）: ネットワーク軌道アプローチとグラフニューラルネットワークによる脳卒中回復表現型
- Authors: Sanjukta Krishnagopal, Keith Lohse, Robynne Braun
- Abstract要約: トラジェクトリプロファイルクラスタリング (TPC) 法を用いて, NINDS tPAトライアルのデータを分析し, 異なる脳卒中回復パターンを同定する。
臨床的に関連のある脳卒中症候群と一致した3つの異なる脳卒中軌跡について検討した。
- 参考スコア（独自算出の注目度）: 0.966840768820136
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stroke is a leading cause of neurological injury characterized by impairments
in multiple neurological domains including cognition, language, sensory and
motor functions. Clinical recovery in these domains is tracked using a wide
range of measures that may be continuous, ordinal, interval or categorical in
nature, which presents challenges for standard multivariate regression
approaches. This has hindered stroke researchers' ability to achieve an
integrated picture of the complex time-evolving interactions amongst symptoms.
Here we use tools from network science and machine learning that are
particularly well-suited to extracting underlying patterns in such data, and
may assist in prediction of recovery patterns. To demonstrate the utility of
this approach, we analyzed data from the NINDS tPA trial using the Trajectory
Profile Clustering (TPC) method to identify distinct stroke recovery patterns
for 11 different neurological domains at 5 discrete time points. Our analysis
identified 3 distinct stroke trajectory profiles that align with clinically
relevant stroke syndromes, characterized both by distinct clusters of symptoms,
as well as differing degrees of symptom severity. We then validated our
approach using graph neural networks to determine how well our model performed
predictively for stratifying patients into these trajectory profiles at early
vs. later time points post-stroke. We demonstrate that trajectory profile
clustering is an effective method for identifying clinically relevant recovery
subtypes in multidimensional longitudinal datasets, and for early prediction of
symptom progression subtypes in individual patients. This paper is the first
work introducing network trajectory approaches for stroke recovery phenotyping,
and is aimed at enhancing the translation of such novel computational
approaches for practical clinical application.
- Abstract（参考訳）: 脳卒中は、認知、言語、感覚、運動機能を含む複数の神経領域の障害を特徴とする神経障害の主要な原因である。
これらの領域における臨床回復は、連続性、順序性、間隔性、カテゴリー性といった様々な尺度を用いて追跡され、標準的な多変量回帰アプローチの課題が提示される。
これは、脳卒中研究者が症状の間の複雑な時間発展的な相互作用を総合的に表現する能力を妨げる。
ここでは、ネットワーク科学と機械学習のツールを使用し、これらのデータの基本となるパターンを抽出するのに特に適しており、回復パターンの予測に役立ちます。
提案手法の有用性を実証するため, トラジェクトリ・プロファイル・クラスタリング (TPC) 法を用いて, NINDS tPA 試験のデータを解析し, 5つの離散時間点における11の異なる神経領域の異なる脳卒中回復パターンを同定した。
以上の結果から,症状群と症状重症度の違いを特徴とし,臨床関連脳卒中症候群と一致する3つの異なる脳卒中軌跡プロファイルを同定した。
次に、グラフニューラルネットワークを用いて、患者の軌道プロファイルを早期と後期の時間差で定式化するためのモデルの有効性を検証した。
トラジェクトリ・プロファイル・クラスタリングは多次元縦断データセットにおける臨床関連回復サブタイプを同定し,症状進行サブタイプを早期に予測するための有効な方法であることを示す。
本稿では,脳卒中回復表現のためのネットワークトラジェクトリアプローチを導入した最初の研究であり,そのような新しい計算手法の翻訳を実践的臨床応用に適用することを目的としている。
関連論文リスト
- Benchmarking Reliability of Deep Learning Models for Pathological Gait Classification [2.1548132286330453]
最近研究者たちは、機械学習アルゴリズムの進歩を活用して、歩行変化の症状を検出することを試みた。
本稿では,翻訳を阻害するギャップを同定するための既存手法について分析する。
我々は,複数の病的歩行のカテゴリを確実に区別できるAMS-GCN (Asynchronous Multi-Stream Graph Convolutional Network) という強力なベースラインを提案する。
論文 参考訳（メタデータ） (2024-09-20T16:47:45Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Pathology Steered Stratification Network for Subtype Identification in
Alzheimer's Disease [7.594681424335177]
アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。
本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
論文 参考訳（メタデータ） (2022-10-12T02:52:00Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Compensating trajectory bias for unsupervised patient stratification
using adversarial recurrent neural networks [0.6323908398583082]
患者埋め込みやクラスタは,軌道バイアスの影響を受けやすい可能性が示唆された。
結果は、臨床的に関係のある詳細ではなく、各患者の軌跡に含まれるデータ量に支配される。
本稿では,RNN-AE上での逆トレーニング手法を用いてこの問題を克服する手法を提案する。
論文 参考訳（メタデータ） (2021-12-14T09:01:28Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Demographic-Guided Attention in Recurrent Neural Networks for Modeling
Neuropathophysiological Heterogeneity [13.172419221095252]
人口動態誘導型注意メカニズムを用いた機能的ネットワーク差の異種パターンのモデル化を提案する。
DGAヘッドから計算されたコンテキストは、個々の人口統計情報に基づいて適切な機能ネットワークに焦点を合わせるのに役立つ。
論文 参考訳（メタデータ） (2021-04-15T17:58:36Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z) - 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。