論文の概要: Discovering a reaction-diffusion model for Alzheimer's disease by
combining PINNs with symbolic regression
- arxiv url: http://arxiv.org/abs/2307.08107v1
- Date: Sun, 16 Jul 2023 17:16:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 15:32:26.536183
- Title: Discovering a reaction-diffusion model for Alzheimer's disease by
combining PINNs with symbolic regression
- Title(参考訳): PINNと記号回帰を組み合わせたアルツハイマー病の反応拡散モデル
- Authors: Zhen Zhang, Zongren Zou, Ellen Kuhl, George Em Karniadakis
- Abstract要約: 我々は、アルツハイマー病の進行の数学的モデルを見つけるために、学習と人工知能を使用します。
具体的には、物理情報ニューラルネットワーク(PIN)とシンボリックレグレッションを統合し、タウタンパク質のミスフォールディングのための反応拡散型偏微分方程式を発見する。
- 参考スコア(独自算出の注目度): 2.84215006180269
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Misfolded tau proteins play a critical role in the progression and pathology
of Alzheimer's disease. Recent studies suggest that the spatio-temporal pattern
of misfolded tau follows a reaction-diffusion type equation. However, the
precise mathematical model and parameters that characterize the progression of
misfolded protein across the brain remain incompletely understood. Here, we use
deep learning and artificial intelligence to discover a mathematical model for
the progression of Alzheimer's disease using longitudinal tau positron emission
tomography from the Alzheimer's Disease Neuroimaging Initiative database.
Specifically, we integrate physics informed neural networks (PINNs) and
symbolic regression to discover a reaction-diffusion type partial differential
equation for tau protein misfolding and spreading. First, we demonstrate the
potential of our model and parameter discovery on synthetic data. Then, we
apply our method to discover the best model and parameters to explain tau
imaging data from 46 individuals who are likely to develop Alzheimer's disease
and 30 healthy controls. Our symbolic regression discovers different misfolding
models $f(c)$ for two groups, with a faster misfolding for the Alzheimer's
group, $f(c) = 0.23c^3 - 1.34c^2 + 1.11c$, than for the healthy control group,
$f(c) = -c^3 +0.62c^2 + 0.39c$. Our results suggest that PINNs, supplemented by
symbolic regression, can discover a reaction-diffusion type model to explain
misfolded tau protein concentrations in Alzheimer's disease. We expect our
study to be the starting point for a more holistic analysis to provide
image-based technologies for early diagnosis, and ideally early treatment of
neurodegeneration in Alzheimer's disease and possibly other misfolding-protein
based neurodegenerative disorders.
- Abstract(参考訳): tauタンパク質はアルツハイマー病の進行と病理において重要な役割を担っている。
近年の研究では, ミスフォールドタウの時空間パターンは反応拡散型方程式に従うことが示唆されている。
しかし、脳全体のミスフォールドタンパク質の進行を特徴付ける正確な数学的モデルとパラメータは、いまだに完全に理解されていない。
本稿では,脳神経イメージングイニシアチブデータベースからの縦断的タウポジトロン放射トモグラフィーを用いて,深層学習と人工知能を用いてアルツハイマー病の進行の数学的モデルを発見する。
具体的には、物理情報ニューラルネットワーク(PINN)とシンボリックレグレッションを統合し、タウタンパク質のミスフォールディングと拡散のための反応拡散型偏微分方程式を発見する。
まず,合成データを用いたモデルとパラメータ発見の可能性を示す。
そこで本研究では,アルツハイマー病を発症する可能性のある46名,健常者30名を対象に,tau画像データを説明するための最善のモデルとパラメータを提案する。
我々のシンボリック回帰は、2つのグループに対する異なるミスフォールディングモデルである$f(c)$を発見し、アルツハイマー群に対するより早いミスフォールディング、健康管理群よりも$f(c) = 0.23c^3 - 1.34c^2 + 1.11c$、そして$f(c) = -c^3 +0.62c^2 + 0.39c$を見つける。
以上の結果から, PINNはリアクション拡散型モデルにより, アルツハイマー病のタンパク濃度の低下を説明できる可能性が示唆された。
本研究は,アルツハイマー病の早期診断,および理想的には早期の神経変性治療のための画像ベースの技術を提供するための,より総合的な解析の出発点となることを期待する。
関連論文リスト
- Ricci flow-based brain surface covariance descriptors for Alzheimer
disease [0.5428370406156905]
我々は、リッチエネルギー最適化を用いて、皮質表面から新しい共分散に基づく記述子を抽出するパイプラインを提案する。
異常な皮質脳形態計測の分析にこの新たなサインを適用することで、アルツハイマー病の診断が可能になる。
論文 参考訳(メタデータ) (2024-03-11T12:07:33Z) - A Machine Learning Approach for Predicting Deterioration in Alzheimer's
Disease [0.0]
本稿では,機械学習を用いたアルツハイマー病の悪化について検討する。
勾配強化を含む6つの機械学習モデルを構築し評価した。
認知正常群のうちどれが劣化したかを予測するCARTを用いて,良好な予測能力を示すことができた。
軽度認知障害群では,Elastic Netによる劣化予測能力は良好であった。
論文 参考訳(メタデータ) (2023-06-17T12:23:35Z) - 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) - Deep Multi-Branch CNN Architecture for Early Alzheimer's Detection from
Brain MRIs [0.0]
アルツハイマー病(英語: Alzheimer's disease、AD)は、認知症を引き起こす神経変性疾患である。
7,866,819個のパラメータからなる深層畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
このモデルは、患者が99.05%の3段階の精度で、非段調、軽度段調、中等度段調であるかどうかを予測することができる。
論文 参考訳(メタデータ) (2022-10-22T02:25:07Z) - rfPhen2Gen: A machine learning based association study of brain imaging
phenotypes to genotypes [71.1144397510333]
56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。
アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。
ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
論文 参考訳(メタデータ) (2022-03-31T20:15:22Z) - Predicting Alzheimer's Disease Using 3DMgNet [2.97983501982132]
3DMgNetはアルツハイマー病(AD)を診断するためのマルチグリッドと畳み込みニューラルネットワークの統合フレームワークである
このモデルはADとNCの分類で92.133%の精度を達成し、モデルのパラメータを大幅に削減した。
論文 参考訳(メタデータ) (2022-01-12T09:08:08Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳(メタデータ) (2021-06-06T07:11:25Z) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳(メタデータ) (2021-01-08T06:51:08Z) - 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) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳(メタデータ) (2020-08-29T11:50:37Z) - 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)
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。