論文の概要: Esophageal virtual disease landscape using mechanics-informed machine learning

• arxiv url: http://arxiv.org/abs/2111.09993v1
• Date: Fri, 19 Nov 2021 01:02:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-22 16:34:39.149368
• Title: Esophageal virtual disease landscape using mechanics-informed machine learning
• Title（参考訳）: メカニクスインフォームド機械学習を用いた食道仮想疾患の展望
• Authors: Sourav Halder, Jun Yamasaki, Shashank Acharya, Wenjun Kou, Guy Elisha, Dustin A. Carlson, Peter J. Kahrilas, John E. Pandolfino, Neelesh A. Patankar
• Abstract要約: 各種食道疾患の基礎となる物理を同定するために,流体力学と機械学習を組み合わせたハイブリッドフレームワークを提案する。 一次元逆モデルは食道診断装置からの出力を処理し、食道の機械的「健康」を推定する。 メカニクスに基づくパラメータは、潜在空間を生成するニューラルネットワークと、機械的な作業メトリクスを予測するサイドネットワークのトレーニングに使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The pathogenesis of esophageal disorders is related to the esophageal wall mechanics. Therefore, to understand the underlying fundamental mechanisms behind various esophageal disorders, it is crucial to map the esophageal wall mechanics-based parameters onto physiological and pathophysiological conditions corresponding to altered bolus transit and supraphysiologic IBP. In this work, we present a hybrid framework that combines fluid mechanics and machine learning to identify the underlying physics of the various esophageal disorders and maps them onto a parameter space which we call the virtual disease landscape (VDL). A one-dimensional inverse model processes the output from an esophageal diagnostic device called endoscopic functional lumen imaging probe (EndoFLIP) to estimate the mechanical "health" of the esophagus by predicting a set of mechanics-based parameters such as esophageal wall stiffness, muscle contraction pattern and active relaxation of esophageal walls. The mechanics-based parameters were then used to train a neural network that consists of a variational autoencoder (VAE) that generates a latent space and a side network that predicts mechanical work metrics for estimating esophagogastric junction motility. The latent vectors along with a set of discrete mechanics-based parameters define the VDL and form clusters corresponding to the various esophageal disorders. The VDL not only distinguishes different disorders but can also be used to predict disease progression in time. Finally, we also demonstrate the clinical applicability of this framework for estimating the effectiveness of a treatment and track patient condition after a treatment.
• Abstract（参考訳）: 食道疾患の病態は食道壁の力学と関連している。 そこで, 食道疾患の根底にあるメカニズムを理解するためには, 食道壁力学に基づくパラメータを, 経時的変化と下垂体IPPに対応する生理的, 病態的条件にマッピングすることが重要である。 本研究では,流体力学と機械学習を組み合わせることで,食道疾患の根底にある物理を同定し,仮想疾患景観 (virtual disease landscape, vdl) と呼ばれるパラメータ空間にマップする。 一次元逆モデルは、内視鏡的機能的ルーメンイメージングプローブ(endoflip)と呼ばれる食道診断装置からの出力を処理し、食道壁の剛性、筋収縮パターン、食道壁の活発な緩和などのメカニカルベースのパラメータのセットを予測し、食道の機械的「健康」を推定する。 メカニクスに基づくパラメータは、潜伏空間を生成する変分オートエンコーダ(VAE)と、食道胃接合運動を推定するための機械的作業量を予測するサイドネットワークからなるニューラルネットワークのトレーニングに使用される。 潜在ベクトルと離散力学に基づくパラメータのセットは、VDLを定義し、様々な食道疾患に対応するクラスターを形成する。 VDLは異なる疾患を区別するだけでなく、病気の進行を予測するのにも使える。 最後に,治療効果を推定し,治療後の患者状態を追跡するための枠組みの臨床的適用性を示す。

関連論文リスト

• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• Med-Real2Sim: Non-Invasive Medical Digital Twins using Physics-Informed Self-Supervised Learning [15.106435744696013]
  デジタルツイン(Digital twin)は、数学的モデリングを用いてその定義する特徴を特徴づけ、シミュレートする現実世界の物理現象の仮想レプリカである。 非侵襲的な患者健康データのみを用いてデジタル双対モデルパラメータを同定する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-29T23:04:42Z)
• Personalized Predictions of Glioblastoma Infiltration: Mathematical Models, Physics-Informed Neural Networks and Multimodal Scans [1.696497161881026]
  医学的MRI検査からGlioblastoma (GBM) の浸潤を予測することは腫瘍の増殖動態を理解する上で重要である。 GBM成長の数学的モデルは、腫瘍細胞の空間分布の予測においてデータを補完することができる。 本研究では,単一3次元構造MRIスナップショットからGBM成長の反応拡散PDEモデルの患者特異的パラメータを推定するために,物理情報ニューラルネットワーク(PINN)を用いた手法を提案する。
  論文  参考訳（メタデータ） (2023-11-28T05:45:20Z)
• A manometric feature descriptor with linear-SVM to distinguish esophageal contraction vigor [8.39812027404057]
  高分解能なマントメトリーの結果が得られた後も、医師は様々なパラメーターで評価する必要がある。 食道ダイナミック機能の評価を支援するため, 食道収縮速度を予測するため, HRMの画像処理を行った。 我々の精度は86.83%に達し、これは他の一般的な機械学習手法よりも高い。
  論文  参考訳（メタデータ） (2023-11-27T08:06:56Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• The Face of Affective Disorders [7.4005714204825646]
  臨床領域における脳刺激の調節によって変化する顔面行動の統計的特性について検討した。 我々は,現代のカメラを用いたリアルタイム信号処理とコンピュータビジョンにのみ依存する,古典的な頭皮型閉塞型センサであるオプト・エレクトロニック・脳波(OEG)の意味で,提示された測定値を命名した。
  論文  参考訳（メタデータ） (2022-08-02T11:28:17Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Simulating progressive intramural damage leading to aortic dissection using an operator-regression neural network [0.2955543753858105]
  We developed a data-driven surrogate model for the delamination process for differential strut distributions using DeepONet。 その結果,DeepONetは様々なストラット分布を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-08-25T03:49:19Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• 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。