論文の概要: Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2403.06940v1
- Date: Mon, 11 Mar 2024 17:26:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 17:55:13.399151
- Title: Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction
- Title(参考訳): 条件付きスコアベース拡散モデルによる皮質厚み軌道予測
- Authors: Qing Xiao, Siyeop Yoon, Hui Ren, Matthew Tivnan, Lichao Sun, Quanzheng
Li, Tianming Liu, Yu Zhang, and Xiang Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 29.415616701032604
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Alzheimer's Disease (AD) is a neurodegenerative condition characterized by
diverse progression rates among individuals, with changes in cortical thickness
(CTh) closely linked to its progression. Accurately forecasting CTh
trajectories can significantly enhance early diagnosis and intervention
strategies, providing timely care. However, the longitudinal data essential for
these studies often suffer from temporal sparsity and incompleteness,
presenting substantial challenges in modeling the disease's progression
accurately. Existing methods are limited, focusing primarily on datasets
without missing entries or requiring predefined assumptions about CTh
progression. To overcome these obstacles, we propose a conditional score-based
diffusion model specifically designed to generate CTh trajectories with the
given baseline information, such as age, sex, and initial diagnosis. Our
conditional diffusion model utilizes all available data during the training
phase to make predictions based solely on baseline information during inference
without needing prior history about CTh progression. The prediction accuracy of
the proposed CTh prediction pipeline using a conditional score-based model was
compared for sub-groups consisting of cognitively normal, mild cognitive
impairment, and AD subjects. The Bland-Altman analysis shows our
diffusion-based prediction model has a near-zero bias with narrow 95%
confidential interval compared to the ground-truth CTh in 6-36 months. In
addition, our conditional diffusion model has a stochastic generative nature,
therefore, we demonstrated an uncertainty analysis of patient-specific CTh
prediction through multiple realizations.
- Abstract(参考訳): アルツハイマー病(英語: Alzheimer's Disease, AD)は、脳皮質の厚み(CTh)の変化が進行と密接に関連していることが特徴である。
CTh軌道の正確な予測は、早期診断と介入戦略を大幅に強化し、タイムリーなケアを提供する。
しかし、これらの研究に必要な縦断データは、しばしば時間的スパースと不完全さに苦しめられ、疾患の進行を正確にモデル化する上で大きな課題を呈している。
既存のメソッドは限定的であり、主にエントリの欠如やcthの進行に関する事前定義された仮定を必要とするデータセットに焦点を当てている。
これらの障害を克服するために,年齢,性別,初期診断などの基準情報を用いてCThトラジェクトリを生成するための条件付きスコアベース拡散モデルを提案する。
条件拡散モデルでは,トレーニング段階で利用可能なデータをすべて活用し,cth進行の履歴を必要とせず,推論中のベースライン情報のみに基づいて予測を行う。
認知正常,軽度認知障害,AD被験者からなるサブグループを対象に,条件付きスコアベースモデルを用いたCTh予測パイプラインの予測精度を比較した。
Bland-Altman 解析により,拡散に基づく予測モデルは6~36ヶ月のCThに比べて95%の内包間隔が狭いほぼゼロの偏りを持つことが示された。
さらに, 条件拡散モデルには確率的生成特性があり, 複数の実現を通して患者固有のCTh予測の不確かさを実証した。
関連論文リスト
- Temporal Disentangled Contrastive Diffusion Model for Spatiotemporal
Imputation [36.80005620519233]
C$2$TSDは、トレンド情報と季節情報を条件付き特徴として取り入れ、モデル一般化性を改善するために対照的な学習を採用する新しいアプローチである。
3つの実世界のデータセットに対する実験は、様々な最先端ベースラインよりもC$2$TSDの方が優れた性能を示している。
論文 参考訳(メタデータ) (2024-02-18T11:59:04Z) - 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) - Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。
提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
論文 参考訳(メタデータ) (2022-09-03T04:10:45Z) - Predicting the impact of treatments over time with uncertainty aware
neural differential equations [2.099922236065961]
本稿では,治療の効果を時間とともに予測する新しい手法であるCounterfactual ODEを提案する。
CF-ODEが従来よりも精度の高い予測と信頼性の高い不確実性推定を提供することを示す。
論文 参考訳(メタデータ) (2022-02-24T09:50:02Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳(メタデータ) (2020-12-24T05:19:03Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - 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) - 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) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2020-02-06T16:39:44Z)
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。