論文の概要: Learning the irreversible progression trajectory of Alzheimer's disease
- arxiv url: http://arxiv.org/abs/2403.06087v1
- Date: Sun, 10 Mar 2024 04:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 08:53:12.732147
- Title: Learning the irreversible progression trajectory of Alzheimer's disease
- Title(参考訳): アルツハイマー病の不可逆的進行経路を学ぶ
- Authors: Yipei Wang, Bing He, Shannon Risacher, Andrew Saykin, Jingwen Yan,
Xiaoqian Wang
- Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、30年にわたって展開する進行性脳疾患である。
症状の発症前に介入を適用できるように、早期に疾患の進行を捉えることが重要である。
機械学習(ML)モデルは、ADの開始を予測するのに効果的であることが示されている。
- 参考スコア(独自算出の注目度): 12.341511353169896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alzheimer's disease (AD) is a progressive and irreversible brain disorder
that unfolds over the course of 30 years. Therefore, it is critical to capture
the disease progression in an early stage such that intervention can be applied
before the onset of symptoms. Machine learning (ML) models have been shown
effective in predicting the onset of AD. Yet for subjects with follow-up
visits, existing techniques for AD classification only aim for accurate group
assignment, where the monotonically increasing risk across follow-up visits is
usually ignored. Resulted fluctuating risk scores across visits violate the
irreversibility of AD, hampering the trustworthiness of models and also
providing little value to understanding the disease progression. To address
this issue, we propose a novel regularization approach to predict AD
longitudinally. Our technique aims to maintain the expected monotonicity of
increasing disease risk during progression while preserving expressiveness.
Specifically, we introduce a monotonicity constraint that encourages the model
to predict disease risk in a consistent and ordered manner across follow-up
visits. We evaluate our method using the longitudinal structural MRI and
amyloid-PET imaging data from the Alzheimer's Disease Neuroimaging Initiative
(ADNI). Our model outperforms existing techniques in capturing the
progressiveness of disease risk, and at the same time preserves prediction
accuracy.
- Abstract(参考訳): アルツハイマー病(英語: Alzheimer's disease、AD)は、30年にわたって展開する進行性脳疾患である。
したがって、早期に症状の発症前に介入を適用できるように、疾患の進行を捉えることが重要である。
機械学習(ML)モデルは、ADの開始を予測するのに効果的であることが示されている。
しかし、フォローアップ訪問の被験者の場合、既存の広告分類のテクニックは正確なグループ割り当てのみを対象としており、フォローアップ訪問のリスクは単調に増加する。
訪問中に変動するリスクスコアはADの不可逆性に反し、モデルの信頼性を損なうとともに、疾患の進行を理解する上ではほとんど価値を与えない。
そこで本研究では,ADを縦に予測する新しい正規化手法を提案する。
本手法は,表現性を維持しつつ進行中の疾患リスクの増加を期待する単調性を維持することを目的としている。
具体的には、単調性制約を導入し、追跡訪問を通じて一貫した順序で疾患リスクを予測するモデルを提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)の縦構造MRIとアミロイドPET画像データを用いて本手法の評価を行った。
本モデルは,疾患リスクの進行性を把握する既存の手法を上回り,予測精度を保っている。
関連論文リスト
- Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6~36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳(メタデータ) (2024-03-11T17:26:18Z) - Learning Spatio-Temporal Model of Disease Progression with NeuralODEs
from Longitudinal Volumetric Data [4.998875488622879]
我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。
ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。
アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
論文 参考訳(メタデータ) (2022-11-08T13:28:26Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Toward a multimodal multitask model for neurodegenerative diseases
diagnosis and progression prediction [0.5735035463793008]
本稿では、アルツハイマー病の予測に使用されるモデルの様々なカテゴリを、それぞれの学習手法で概説する。
それは、アルツハイマー病の進行を早期に予測し、検出する比較研究を確立している。
最後に,ロバストかつ高精度な検出モデルを提案する。
論文 参考訳(メタデータ) (2021-10-10T11:44:16Z) - AttDMM: An Attentive Deep Markov Model for Risk Scoring in Intensive
Care Units [20.96242356493069]
ICUにおけるリアルタイムリスクスコアリングのための新しい生成的深層確率モデルを提案する。
私たちの知る限りでは、AttDMMは、健康軌道における長期疾患のダイナミクス(注意)と異なる疾患状態の両方を共同で学習する最初のICU予測モデルである。
本モデルは,医療従事者が早期に介入し,患者の命を救えるよう,リスクのある患者を特定するための道筋を示す。
論文 参考訳(メタデータ) (2021-02-09T08:44:31Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳(メタデータ) (2020-10-28T10:58:59Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - 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) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳(メタデータ) (2020-09-23T22:35:43Z) - Deep Recurrent Model for Individualized Prediction of Alzheimer's
Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。
本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-06T08:08:00Z)
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。