論文の概要: Non-Invasive Medical Digital Twins using Physics-Informed
Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2403.00177v1
- Date: Thu, 29 Feb 2024 23:04:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 18:44:55.994638
- Title: Non-Invasive Medical Digital Twins using Physics-Informed
Self-Supervised Learning
- Title(参考訳): 物理インフォームド自己監督学習を用いた非侵襲型医療デジタル双生児
- Authors: Keying Kuang, Frances Dean, Jack B. Jedlicki, David Ouyang, Anthony
Philippakis, David Sontag, Ahmed M. Alaa
- Abstract要約: デジタルツイン(Digital twin)は、数学的モデリングを用いてその定義する特徴を特徴づけ、シミュレートする現実世界の物理現象の仮想レプリカである。
非侵襲的な患者健康データのみを用いてデジタル双対モデルパラメータを同定する手法を提案する。
- 参考スコア(独自算出の注目度): 15.863958851499099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A digital twin is a virtual replica of a real-world physical phenomena that
uses mathematical modeling to characterize and simulate its defining features.
By constructing digital twins for disease processes, we can perform in-silico
simulations that mimic patients' health conditions and counterfactual outcomes
under hypothetical interventions in a virtual setting. This eliminates the need
for invasive procedures or uncertain treatment decisions. In this paper, we
propose a method to identify digital twin model parameters using only
noninvasive patient health data. We approach the digital twin modeling as a
composite inverse problem, and observe that its structure resembles pretraining
and finetuning in self-supervised learning (SSL). Leveraging this, we introduce
a physics-informed SSL algorithm that initially pretrains a neural network on
the pretext task of solving the physical model equations. Subsequently, the
model is trained to reconstruct low-dimensional health measurements from
noninvasive modalities while being constrained by the physical equations
learned in pretraining. We apply our method to identify digital twins of
cardiac hemodynamics using noninvasive echocardiogram videos, and demonstrate
its utility in unsupervised disease detection and in-silico clinical trials.
- Abstract(参考訳): デジタル・ツイン(digital twin)は、数学モデルを用いて特徴を特徴付け、シミュレートする現実世界の物理現象の仮想レプリカである。
疾患プロセスのためのデジタル双生児を構築することで、仮想的な環境での仮想的な介入の下で、患者の健康状態や非現実的成果を模倣するインシリコシミュレーションを行うことができる。
これにより、侵襲的な処置や不確実な治療決定が不要になる。
本稿では,非侵襲的な患者健康データのみを用いて,デジタル双対モデルパラメータを同定する手法を提案する。
我々は,デジタル双対モデリングを複合逆問題としてアプローチし,その構造が自己教師付き学習(SSL)における事前学習や微調整に似ていることを観察する。
そこで,本稿では,物理モデル方程式を解くプリテキストタスクでニューラルネットワークを事前学習する物理型sslアルゴリズムを提案する。
その後、モデルは、事前トレーニングで学んだ物理方程式に拘束されながら、非侵襲的なモードから低次元の健康測定を再構築するように訓練される。
本手法は非侵襲的心エコー画像を用いて心臓血行動態のデジタル双生児を同定し,非監督疾患検出およびシリコン内臨床試験における有用性を示す。
関連論文リスト
- From Noise to Signal: Unveiling Treatment Effects from Digital Health
Data through Pharmacology-Informed Neural-SDE [0.0]
デジタルヘルス技術(DHT)は、患者をパーソナライズし、継続的に、リアルタイムにモニタリングする。
これらの技術から洞察を得るには、臨床に関連のある疾患状態の変化を捉えるための適切なモデリング技術が必要である。
本稿では,これらの課題に対処可能な新しい薬理インフォームド・ニューラル微分方程式(SDE)モデルを提案する。
論文 参考訳(メタデータ) (2024-03-05T19:13:57Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Probing the Limits and Capabilities of Diffusion Models for the Anatomic
Editing of Digital Twins [0.9628617363701458]
本稿では,デジタル双生児の解剖学的変異を編集する潜在拡散モデルの能力について検討する。
我々は特にデジタル双生児を編集し、異なる空間スケールおよび局所領域で解剖学的変異を導入する。
論文 参考訳(メタデータ) (2023-12-30T14:21:30Z) - Digital Twins for Patient Care via Knowledge Graphs and Closed-Form
Continuous-Time Liquid Neural Networks [0.0]
デジタル双生児は、製造業、サプライチェーンのロジスティクス、土木インフラなどの産業で急速に勢いを増している。
マルチモーダル患者データを用いた複雑な疾患のモデル化の課題と、その解析の複雑さは、生体医療分野におけるデジタル双生児の採用を阻害している。
本稿では,計算コストとモデリング複雑さによる臨床双対モデリングの障壁に対処する新しい枠組みを提案する。
論文 参考訳(メタデータ) (2023-07-08T12:52:31Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳(メタデータ) (2023-06-24T17:01:51Z) - Real-time whole-heart electromechanical simulations using Latent Neural
Ordinary Differential Equations [2.208529796170897]
心不全患者の時間的圧力-体積動態を学習するために,潜時ニューラル正規微分方程式を用いた。
LNODEsに基づくサロゲートモデルは4003D-0D全閉ループ電気機械シミュレーションから訓練される。
本報告では, 文献で利用可能な最も高度な心臓機能代理モデルについて紹介する。
論文 参考訳(メタデータ) (2023-06-08T16:13:29Z) - 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) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - 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。