論文の概要: Med-Real2Sim: Non-Invasive Medical Digital Twins using Physics-Informed Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2403.00177v3
• Date: Thu, 31 Oct 2024 21:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-04 14:32:01.904179
• Title: Med-Real2Sim: Non-Invasive Medical Digital Twins using Physics-Informed Self-Supervised Learning
• Title（参考訳）: Med-Real2Sim: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）: 15.106435744696013
• License:
• 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 learning a differentiable simulator of a physiological process. Subsequently, the model is trained to reconstruct physiological 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。 デジタル双生児を病気のプロセスのために構築することにより、仮想環境における仮想的な介入の下で、患者の健康状態や反現実的な結果を模倣するシリカ内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。 これを活用することで、生理学的プロセスの微分可能なシミュレータを学習するプリテキストタスクにおいて、まずニューラルネットワークを事前訓練する物理インフォームドSSLアルゴリズムを導入する。 その後、モデルは、事前訓練で学んだ物理方程式に拘束されながら、非侵襲的なモーダルから生理的計測を再構築するように訓練される。 非侵襲的心エコー法による心血行動態のデジタル双生児の同定に本法を適用し,非観血的疾患検出およびサイリコ内臨床試験における有用性を示した。

関連論文リスト

• Digital Twin Generators for Disease Modeling [2.341540989979203]
  患者のデジタルツイン(英: Digital twin)とは、患者の健康状態の経時変化を記述する計算モデルである。 デジタル双生児は、人間の健康の個々のレベルのコンピュータシミュレーションを可能にすることによって、医療に革命をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-05-02T17:23:04Z)
• Control of Medical Digital Twins with Artificial Neural Networks [0.24578723416255746]
  この研究は、医療用デジタルツインを制御する代替アプローチとして、動的インフォームドニューラルネットワークコントローラを導入している。 提案手法の有効性を他の手法と比較し, 評価を行った。
  論文  参考訳（メタデータ） (2024-03-18T19:30:46Z)
• 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)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• 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)
• 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 Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。