論文の概要: Translational Quantum Machine Intelligence for Modeling Tumor Dynamics
in Oncology
- arxiv url: http://arxiv.org/abs/2202.10919v3
- Date: Sat, 7 Jan 2023 13:43:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 07:57:48.964389
- Title: Translational Quantum Machine Intelligence for Modeling Tumor Dynamics
in Oncology
- Title(参考訳): オンコロジーにおける腫瘍ダイナミクスモデリングのための翻訳量子マシンインテリジェンス
- Authors: Nam Nguyen and Kwang-Cheng Chen
- Abstract要約: 量子マシンインテリジェンス(Quantum Machine Intelligence)は、量子力学の観点からの腫瘍力学の非並列的な洞察を提供する。
本稿では,治療効果に関する腫瘍負担の量子力学を定量化する,$eta-$Netという新しいハイブリッド量子古典型ニューラルネットワークを提案する。
- 参考スコア(独自算出の注目度): 18.069876260017605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantifying the dynamics of tumor burden reveals useful information about
cancer evolution concerning treatment effects and drug resistance, which play a
crucial role in advancing model-informed drug developments (MIDD) towards
personalized medicine and precision oncology. The emergence of Quantum Machine
Intelligence offers unparalleled insights into tumor dynamics via a quantum
mechanics perspective. This paper introduces a novel hybrid quantum-classical
neural architecture named $\eta-$Net that enables quantifying quantum dynamics
of tumor burden concerning treatment effects. We evaluate our proposed neural
solution on two major use cases, including cohort-specific and patient-specific
modeling. In silico numerical results show a high capacity and expressivity of
$\eta-$Net to the quantified biological problem. Moreover, the close connection
to representation learning - the foundation for successes of modern AI, enables
efficient transferability of empirical knowledge from relevant cohorts to
targeted patients. Finally, we leverage Bayesian optimization to quantify the
epistemic uncertainty of model predictions, paving the way for $\eta-$Net
towards reliable AI in decision-making for clinical usages.
- Abstract(参考訳): 腫瘍負担の動態の定量化は、治療効果と薬剤耐性に関するがんの進化に関する有用な情報を示し、それはパーソナライズされた医療や精密腫瘍学へのモデルインフォームド医薬品開発(MIDD)の進展に重要な役割を果たしている。
量子機械知能の出現は、量子力学の観点で腫瘍のダイナミクスに対する無論な洞察を与える。
本稿では,治療効果に関する腫瘍負担の量子力学を定量化する,$\eta-$Netという新しいハイブリッド量子古典型ニューラルネットワークを提案する。
提案したニューラルソリューションはコホート特異的および患者特異的モデリングを含む2つの主要なユースケースで評価した。
シリカの数値計算では、定量化された生物学的問題に対する$\eta-$Netの容量と表現性が示される。
さらに、現代AIの成功の基盤である表現学習との密接な関係は、関連するコホートから標的患者への経験的知識の効率的な伝達を可能にする。
最後に,ベイズ最適化を利用してモデル予測の不確かさを定量化し,臨床応用のための意思決定における信頼性の高いaiへの$\eta-$netへの道を開く。
関連論文リスト
- Brain Tumor Diagnosis Using Quantum Convolutional Neural Networks [0.0]
本研究は、脳がん画像の特定と分類に適したQCNNモデルの高精度設計と実行について詳述する。
提案したQCNNアーキテクチャとアルゴリズムは99.67%の例外的な分類精度を達成し,臨床応用の強力なツールとしての可能性を示した。
論文 参考訳(メタデータ) (2024-01-28T23:27:06Z) - Physics-informed Neural Network Estimation of Material Properties in
Soft Tissue Nonlinear Biomechanical Models [3.000260570199229]
物理インフォームドニューラルネットワーク(PINN)と3次元軟組織非線形生体力学モデルを組み合わせた新しいアプローチを提案する。
提案した学習アルゴリズムは、限られた量の変位から情報を符号化し、場合によっては、臨床環境で日常的に取得できる歪みデータを符号化する。
提案手法の精度とロバスト性を示すために,いくつかのベンチマークを行った。
論文 参考訳(メタデータ) (2023-12-15T13:41:20Z) - Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic
Prediction [5.685142756003601]
本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。
まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。
本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-10-02T06:39:08Z) - Explainable Deep Learning for Tumor Dynamic Modeling and Overall
Survival Prediction using Neural-ODE [0.0]
本稿では,腫瘍ダイナミックニューラル-ODEを薬理学的インフォームドニューラルネットワークとして用いることを提案する。
我々は,TDNODEが既存のモデルの重要な限界を克服し,乱れたデータから偏りのない予測を行うことを示す。
得られた測定値を用いて,患者の全身生存率(OS)を高い精度で予測できることを示す。
論文 参考訳(メタデータ) (2023-08-02T18:08:27Z) - Quantum machine learning for image classification [62.997667081978825]
我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。
要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - A Quantum-Classical Model of Brain Dynamics [62.997667081978825]
混合ワイル記号は、脳の過程を顕微鏡レベルで記述するために用いられる。
プロセスに関与する電磁場とフォノンモードは古典的または半古典的に扱われる。
ゼロ点量子効果は、各フィールドモードの温度を制御することで数値シミュレーションに組み込むことができる。
論文 参考訳(メタデータ) (2023-01-17T15:16:21Z) - 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) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
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。
論文 参考訳(メタデータ) (2021-06-05T11:42:45Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z)
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。