論文の概要: Efficient Learning and Decoding of the Continuous-Time Hidden Markov
Model for Disease Progression Modeling
- arxiv url: http://arxiv.org/abs/2110.13998v1
- Date: Tue, 26 Oct 2021 20:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 12:50:12.275025
- Title: Efficient Learning and Decoding of the Continuous-Time Hidden Markov
Model for Disease Progression Modeling
- Title（参考訳）: 疾患進行モデルのための連続時間隠れマルコフモデルの効率的な学習と復号
- Authors: Yu-Ying Liu, Alexander Moreno, Maxwell A. Xu, Shuang Li, Jena C.
McDaniel, Nancy C. Brady, Agata Rozga, Fuxin Li, Le Song, James M. Rehg
- Abstract要約: 本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。
EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。
緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
- 参考スコア（独自算出の注目度）: 119.50438407358862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Continuous-Time Hidden Markov Model (CT-HMM) is an attractive approach to
modeling disease progression due to its ability to describe noisy observations
arriving irregularly in time. However, the lack of an efficient parameter
learning algorithm for CT-HMM restricts its use to very small models or
requires unrealistic constraints on the state transitions. In this paper, we
present the first complete characterization of efficient EM-based learning
methods for CT-HMM models, as well as the first solution to decoding the
optimal state transition sequence and the corresponding state dwelling time. We
show that EM-based learning consists of two challenges: the estimation of
posterior state probabilities and the computation of end-state conditioned
statistics. We solve the first challenge by reformulating the estimation
problem as an equivalent discrete time-inhomogeneous hidden Markov model. The
second challenge is addressed by adapting three distinct approaches from the
continuous time Markov chain (CTMC) literature to the CT-HMM domain.
Additionally, we further improve the efficiency of the most efficient method by
a factor of the number of states. Then, for decoding, we incorporate a
state-of-the-art method from the (CTMC) literature, and extend the end-state
conditioned optimal state sequence decoding to the CT-HMM case with the
computation of the expected state dwelling time. We demonstrate the use of
CT-HMMs with more than 100 states to visualize and predict disease progression
using a glaucoma dataset and an Alzheimer's disease dataset, and to decode and
visualize the most probable state transition trajectory for individuals on the
glaucoma dataset, which helps to identify progressing phenotypes in a
comprehensive way. Finally, we apply the CT-HMM modeling and decoding strategy
to investigate the progression of language acquisition and development.
- Abstract（参考訳）: 連続時間隠れマルコフモデル(ct-hmm)は、不規則に到着するノイズの観測を記述できるため、疾患の進行をモデル化する魅力的なアプローチである。
しかし、CT-HMMの効率的なパラメータ学習アルゴリズムが欠如していることは、その使用を非常に小さなモデルに制限したり、状態遷移に非現実的な制約を必要とする。
本稿では,CT-HMMモデルのための効率的なEMベースの学習手法の完全な特徴付けと,最適状態遷移シーケンスと対応する状態の居住時間を復号する最初のソリューションを提案する。
EMに基づく学習は,後状態確率の推定と終状態条件付き統計計算の2つの課題からなることを示す。
推定問題を等価な離散時間不均質隠れマルコフモデルとして再構成することにより,最初の課題を解決する。
第2の課題は、連続時間マルコフ連鎖(CTMC)文献からCT-HMMドメインへの3つの異なるアプローチを適用することで解決される。
さらに,最も効率的な手法の効率を,状態数の係数によってさらに向上させる。
次に,CTMC文献から最先端の手法を組み込んで,最終状態条件付き最適状態列デコーディングをCT-HMMケースに拡張し,予測状態の定時計算を行う。
我々は,100以上の状態を持つCT-HMMを用いて,緑内障データセットとアルツハイマー病データセットを用いて疾患の進行を可視化し,予測し,緑内障データセット上で個人にとって最も可能性の高い状態遷移軌跡をデコードし,視覚化することにより,進行する表現型を包括的に同定する。
最後に,CT-HMMモデリングと復号化手法を適用し,言語習得と開発の進展について検討する。
関連論文リスト
- Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。
オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。
このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
論文 参考訳（メタデータ） (2024-11-04T16:12:37Z) - A Generative Framework for Predictive Modeling of Multiple Chronic Conditions Using Graph Variational Autoencoder and Bandit-Optimized Graph Neural Network [0.0]
複数の慢性疾患(MCC)の出現を予測することは、早期介入とパーソナライズされた医療にとって重要である。
グラフニューラルネットワーク(GNN)は、MCCに見られるような複雑なグラフデータをモデリングするための効果的な手法である。
本稿では,データ分布を利用してグラフ構造を代表的に構築するGNNのための新しい生成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-20T17:26:38Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising
Diffusion Models [53.67562579184457]
本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。
本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。
提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
論文 参考訳（メタデータ） (2023-01-31T13:42:36Z) - COPER: Continuous Patient State Perceiver [13.735956129637945]
本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。
ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。
提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
論文 参考訳（メタデータ） (2022-08-05T14:32:57Z) - Temporal Clustering with External Memory Network for Disease Progression
Modeling [8.015263440307631]
疾患進行モデリング(DPM)は、特定の疾患の進行の重症度を定量的に測定するために数学的枠組みを使用する。
DPMは、健康状態の予測、疾患ステージの分類、疾患軌跡の評価など、多くの点で有用である。
論文 参考訳（メタデータ） (2021-09-29T02:32:06Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-07-28T07:19:00Z) - Temporal Cascade and Structural Modelling of EHRs for Granular
Readmission Prediction [10.943928059802174]
本稿では,時間的カスケード関係をモデル化するための新しいモデルMEDCASを提案する。
MEDCASは、訪問タイプと時間ギャップをモデル化する点過程を、注目に基づくシーケンス・ツー・シーケンス学習モデルに統合する。
3つの実世界のEHRデータセットの実験を行い、ttexttMEDCASが両方のタスクで最先端のモデルより優れていることを示した。
論文 参考訳（メタデータ） (2021-02-04T13:02:04Z) - Scaling Hidden Markov Language Models [118.55908381553056]
この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。
本研究では,HMMを大規模状態空間に拡張する手法を提案する。
論文 参考訳（メタデータ） (2020-11-09T18:51:55Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。