論文の概要: Patient-specific, mechanistic models of tumor growth incorporating
artificial intelligence and big data
- arxiv url: http://arxiv.org/abs/2308.14925v1
- Date: Mon, 28 Aug 2023 22:52:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 16:29:53.838299
- Title: Patient-specific, mechanistic models of tumor growth incorporating
artificial intelligence and big data
- Title（参考訳）: 人工知能とビッグデータを用いた患者固有の腫瘍増殖モデル
- Authors: Guillermo Lorenzo, Syed Rakin Ahmed, David A. Hormuth II, Brenna
Vaughn, Jayashree Kalpathy-Cramer, Luis Solorio, Thomas E. Yankeelov, Hector
Gomez
- Abstract要約: 悪性腫瘍は依然として主要な公衆衛生上の問題である。
パーソナライズされた治療の設計には、患者固有の情報を適切な数学的モデルに統合する必要がある。
現在、腫瘍の発生、発生、侵入、治療に対する反応に関する厳密で実用的な数学的理論が欠如している。
- 参考スコア（独自算出の注目度）: 2.6144463801364375
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Despite the remarkable advances in cancer diagnosis, treatment, and
management that have occurred over the past decade, malignant tumors remain a
major public health problem. Further progress in combating cancer may be
enabled by personalizing the delivery of therapies according to the predicted
response for each individual patient. The design of personalized therapies
requires patient-specific information integrated into an appropriate
mathematical model of tumor response. A fundamental barrier to realizing this
paradigm is the current lack of a rigorous, yet practical, mathematical theory
of tumor initiation, development, invasion, and response to therapy. In this
review, we begin by providing an overview of different approaches to modeling
tumor growth and treatment, including mechanistic as well as data-driven models
based on ``big data" and artificial intelligence. Next, we present illustrative
examples of mathematical models manifesting their utility and discussing the
limitations of stand-alone mechanistic and data-driven models. We further
discuss the potential of mechanistic models for not only predicting, but also
optimizing response to therapy on a patient-specific basis. We then discuss
current efforts and future possibilities to integrate mechanistic and
data-driven models. We conclude by proposing five fundamental challenges that
must be addressed to fully realize personalized care for cancer patients driven
by computational models.
- Abstract（参考訳）: 過去10年間の癌診断、治療、管理の著しい進歩にもかかわらず、悪性腫瘍は依然として主要な公衆衛生上の問題である。
がんとの戦いのさらなる進展は、各患者に対する予測された反応に応じて治療の配信をパーソナライズすることで可能となる。
パーソナライズされた治療法の設計は、患者固有の情報を腫瘍反応の適切な数学的モデルに統合する必要がある。
このパラダイムを実現するための基本的な障壁は、腫瘍の発生、発生、侵入、治療に対する反応に関する厳密で実用的な数学的理論の欠如である。
本稿では,「ビッグデータ」と人工知能に基づくデータ駆動モデルを含む,腫瘍の成長と治療をモデル化するための様々なアプローチの概要を概説することから始める。
次に,その実用性を示す数学的モデルの例を示し,単独の機械論モデルとデータ駆動モデルの限界について論じる。
さらに、予測だけでなく、患者固有の治療に対する反応を最適化するための力学モデルの可能性についても論じる。
次に、機械工学とデータ駆動モデルの統合に向けた現在の取り組みと今後の可能性について論じる。
最後に,計算モデルによるがん患者のパーソナライズケアを十分に実現するためには,対処すべき5つの基本的な課題を提案する。
関連論文リスト
- Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。
腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
論文 参考訳（メタデータ） (2024-09-30T15:36:14Z) - Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。
このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。
本手法は,臨床医に現実的な意思決定支援ツールを提供することを目的としている。
論文 参考訳（メタデータ） (2024-02-19T14:54:20Z) - Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳（メタデータ） (2024-02-02T00:31:01Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
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) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-06-01T14:08:05Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Neural Pharmacodynamic State Space Modeling [1.589915930948668]
本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。
提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。
論文 参考訳（メタデータ） (2021-02-22T17:51:11Z)
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。