論文の概要: A Probabilistic Neural Twin for Treatment Planning in Peripheral
Pulmonary Artery Stenosis
- arxiv url: http://arxiv.org/abs/2312.00854v1
- Date: Fri, 1 Dec 2023 14:54:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 20:26:24.564342
- Title: A Probabilistic Neural Twin for Treatment Planning in Peripheral
Pulmonary Artery Stenosis
- Title(参考訳): 末梢肺動脈狭窄症に対する治療計画のための確率論的ニューラルツイン
- Authors: John D. Lee, Jakob Richter, Martin R. Pfaller, Jason M. Szafron,
Karthik Menon, Andrea Zanoni, Michael R. Ma, Jeffrey A. Feinstein, Jacqueline
Kreutzer, Alison L. Marsden and Daniele E. Schiavazzi
- Abstract要約: 末梢肺動脈疾患における多発狭窄の修復への応用について検討した。
確率で問題を定式化し、サンプルベースのアプローチで解決する。
確率的リアルタイム処理計画のためのオフラインオフラインパイプラインを提案する。
- 参考スコア(独自算出の注目度): 1.8116671390518397
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The substantial computational cost of high-fidelity models in numerical
hemodynamics has, so far, relegated their use mainly to offline treatment
planning. New breakthroughs in data-driven architectures and optimization
techniques for fast surrogate modeling provide an exciting opportunity to
overcome these limitations, enabling the use of such technology for
time-critical decisions. We discuss an application to the repair of multiple
stenosis in peripheral pulmonary artery disease through either transcatheter
pulmonary artery rehabilitation or surgery, where it is of interest to achieve
desired pressures and flows at specific locations in the pulmonary artery tree,
while minimizing the risk for the patient. Since different degrees of success
can be achieved in practice during treatment, we formulate the problem in
probability, and solve it through a sample-based approach. We propose a new
offline-online pipeline for probabilsitic real-time treatment planning which
combines offline assimilation of boundary conditions, model reduction, and
training dataset generation with online estimation of marginal probabilities,
possibly conditioned on the degree of augmentation observed in already repaired
lesions. Moreover, we propose a new approach for the parametrization of
arbitrarily shaped vascular repairs through iterative corrections of a
zero-dimensional approximant. We demonstrate this pipeline for a diseased model
of the pulmonary artery tree available through the Vascular Model Repository.
- Abstract(参考訳): 数値血行動態学における高忠実度モデルの計算コストは, 主にオフライン処理計画に比例して低下している。
データ駆動アーキテクチャの新しいブレークスルーと高速なサロゲートモデリングのための最適化技術は、これらの制限を克服するエキサイティングな機会を提供し、このような技術を時間クリティカルな決定に使用できる。
肺動脈リハビリテーションや手術による末梢動脈疾患における多発性狭窄の修復について検討し, 患者へのリスクを最小化しつつ, 所望の圧力と肺動脈樹の特定の部位での血流の確保が目的である。
治療中に様々な成功度を達成できるため、確率的に問題を定式化し、サンプルベースのアプローチで解決する。
我々は,境界条件のオフライン同化,モデル縮小,トレーニングデータセット生成と限界確率のオンライン推定を組み合わせ,すでに修復済みの病変で観察された拡張度を条件とした,確率的リアルタイム処理計画のための新しいオフラインオフラインパイプラインを提案する。
さらに,ゼロ次元近似体の反復補正により任意形状の血管修復をパラメトリゼーションするための新しいアプローチを提案する。
血管モデルリポジトリを介して肺動脈ツリーの病型モデルにこのパイプラインを適用できることを実証する。
関連論文リスト
- Machine learning for cerebral blood vessels' malformations [38.524104108347764]
脳動脈瘤と動静脈奇形は、生命を脅かす脳の血行動態である。
脳血流のパラメータは、リスクアセスメントと治療予後のための機械学習支援プロトコルに利用できる可能性がある。
論文 参考訳(メタデータ) (2024-11-25T12:58:00Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - Reconstructing Blood Flow in Data-Poor Regimes: A Vasculature Network Kernel for Gaussian Process Regression [2.9998889086656586]
非ユークリッド空間である血管ネットワーク内のカーネルを再構築する新しい手法を提案する。
提案したカーネルは、時間的および血管間相関を符号化し、直接測定を欠いた血管における血流の再構築を可能にする。
本研究は, 単純Y字型分岐術, 腹部大動脈, ウィリス円の3症例において, モデルの性能を実証するものである。
論文 参考訳(メタデータ) (2024-03-14T15:41:15Z) - 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) - Estimating Optimal Infinite Horizon Dynamic Treatment Regimes via
pT-Learning [2.0625936401496237]
モバイルヘルス(mHealth)技術の最近の進歩は、個人の健康状態を監視し、ジャスト・イン・タイムのパーソナライズされた介入を提供する効果的な方法を提供する。
mHealthテクノロジーの実用化は、最適な動的治療体制を学習する上で、既存の方法論に固有の課題を提起する。
本稿では,決定論的とスパース政策モデルの間で適応的に調整された最適条件を推定する近時学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-20T18:38:22Z) - Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long
Follow-up Time [28.11470886127216]
動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。
結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。
また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
論文 参考訳(メタデータ) (2021-09-20T13:21:39Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳(メタデータ) (2021-05-11T16:02:39Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳(メタデータ) (2020-10-28T15:05:08Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Geometric Uncertainty in Patient-Specific Cardiovascular Modeling with
Convolutional Dropout Networks [0.0]
患者固有の心血管モデルの条件分布からサンプルを生成する新しい手法を提案する。
提案手法で導入された主な革新は、トレーニングデータから直接幾何的不確実性を学ぶ能力である。
論文 参考訳(メタデータ) (2020-09-16T00:13:12Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z)
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。