論文の概要: Learning Spatio-Temporal Model of Disease Progression with NeuralODEs
from Longitudinal Volumetric Data
- arxiv url: http://arxiv.org/abs/2211.04234v1
- Date: Tue, 8 Nov 2022 13:28:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 15:34:42.922110
- Title: Learning Spatio-Temporal Model of Disease Progression with NeuralODEs
from Longitudinal Volumetric Data
- Title（参考訳）: 経時的ボリュームデータを用いたニューロデドによる疾患進行の時空間モデル
- Authors: Dmitrii Lachinov, Arunava Chakravarty, Christoph Grechenig, Ursula
Schmidt-Erfurth, Hrvoje Bogunovic
- Abstract要約: 我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。
ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。
アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
- 参考スコア（独自算出の注目度）: 4.998875488622879
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust forecasting of the future anatomical changes inflicted by an ongoing
disease is an extremely challenging task that is out of grasp even for
experienced healthcare professionals. Such a capability, however, is of great
importance since it can improve patient management by providing information on
the speed of disease progression already at the admission stage, or it can
enrich the clinical trials with fast progressors and avoid the need for control
arms by the means of digital twins. In this work, we develop a deep learning
method that models the evolution of age-related disease by processing a single
medical scan and providing a segmentation of the target anatomy at a requested
future point in time. Our method represents a time-invariant physical process
and solves a large-scale problem of modeling temporal pixel-level changes
utilizing NeuralODEs. In addition, we demonstrate the approaches to incorporate
the prior domain-specific constraints into our method and define temporal Dice
loss for learning temporal objectives. To evaluate the applicability of our
approach across different age-related diseases and imaging modalities, we
developed and tested the proposed method on the datasets with 967 retinal OCT
volumes of 100 patients with Geographic Atrophy, and 2823 brain MRI volumes of
633 patients with Alzheimer's Disease. For Geographic Atrophy, the proposed
method outperformed the related baseline models in the atrophy growth
prediction. For Alzheimer's Disease, the proposed method demonstrated
remarkable performance in predicting the brain ventricle changes induced by the
disease, achieving the state-of-the-art result on TADPOLE challenge.
- Abstract（参考訳）: 進行する疾患による将来の解剖学的変化のロバストな予測は、経験豊富な医療専門家でさえも把握できない極めて困難な課題である。
しかし、この能力は、既に入院段階にある疾患進行の速さに関する情報を提供することで患者の管理を改善することや、迅速な進行剤による臨床試験を充実させ、デジタル双生児によるコントロールアームの必要性を回避できるため、非常に重要である。
本研究では,1つの医療スキャンを処理し,要求された将来点における対象解剖のセグメンテーションを提供することにより,年齢関連疾患の進化をモデル化する深層学習手法を開発する。
提案手法は時間不変な物理過程を表現し,ニューラルネットワークを用いた時間的画素レベルの変化をモデル化する大規模問題を解く。
さらに,事前のドメイン固有の制約を本手法に組み込んで,時間目標学習のための時間的ダイス損失を定義する手法を示す。
高齢者関連疾患に対するアプローチの適用性や画像のモダリティを評価するため,本手法を,Global Atrophy (GTA) 患者100名, アルツハイマー病患者633名, 脳MRI (MRI) 患者2823名を対象に, 提案手法を考案し, 評価した。
地理的萎縮性については,この手法が萎縮性成長予測のベースラインモデルよりも優れていた。
アルツハイマー病では, 提案法は, 疾患によって引き起こされる脳の心室変化を予測し, TADPOLEの課題における最先端の成果を達成できた。
関連論文リスト
- A Multimodal Approach to The Detection and Classification of Skin Diseases [0.5755004576310334]
多くの疾患は、皮膚に多くの身体症状があるとしても、未診断で未治療のまま残されている。
AIの台頭により、自己診断と疾患認識の改善がこれまで以上に有望になった。
本研究は、皮膚疾患分類のための画像およびテキストを介して、容易に利用でき、容易にアクセス可能な患者情報を含む。
論文 参考訳（メタデータ） (2024-11-21T05:27:42Z) - Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。
本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
論文 参考訳（メタデータ） (2024-06-18T17:22:55Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Remote Medication Status Prediction for Individuals with Parkinson's
Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。
提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文 参考訳（メタデータ） (2022-07-26T02:08:08Z) - Toward a multimodal multitask model for neurodegenerative diseases
diagnosis and progression prediction [0.5735035463793008]
本稿では、アルツハイマー病の予測に使用されるモデルの様々なカテゴリを、それぞれの学習手法で概説する。
それは、アルツハイマー病の進行を早期に予測し、検出する比較研究を確立している。
最後に,ロバストかつ高精度な検出モデルを提案する。
論文 参考訳（メタデータ） (2021-10-10T11:44:16Z) - 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) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Deep Recurrent Model for Individualized Prediction of Alzheimer's
Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。
本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-06T08:08:00Z) - 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。