Fugu-MT 論文翻訳(概要): Uncertainty Quantification in Alzheimer's Disease Progression Modeling

論文の概要: Uncertainty Quantification in Alzheimer's Disease Progression Modeling

arxiv url: http://arxiv.org/abs/2408.14478v1
Date: Tue, 13 Aug 2024 05:53:34 GMT
ステータス: 処理完了
システム内更新日: 2024-09-01 16:52:18.440152
Title: Uncertainty Quantification in Alzheimer's Disease Progression Modeling
Title（参考訳）: アルツハイマー病進行モデルにおける不確かさの定量化
Authors: Wael Mobeirek, Shirley Mao,
Abstract要約: 本研究は,モンテカルロ・ドロップアウト,変分推論,マルコフ・チェイン・モンテカルロ,アンサンブル・ラーニングの512症例を対象とした4年間の認知的スコア・トラジェクトリの信頼性評価を行った。 MC Dropout と MCMC は,ノイズの多いトレーニングデータの下で,よく校正され,正確な予測を行うことができることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the increasing number of patients diagnosed with Alzheimer's Disease, prognosis models have the potential to aid in early disease detection. However, current approaches raise dependability concerns as they do not account for uncertainty. In this work, we compare the performance of Monte Carlo Dropout, Variational Inference, Markov Chain Monte Carlo, and Ensemble Learning trained on 512 patients to predict 4-year cognitive score trajectories with confidence bounds. We show that MC Dropout and MCMC are able to produce well-calibrated, and accurate predictions under noisy training data.
Abstract（参考訳）: アルツハイマー病と診断される患者の増加に伴い、予後モデルは早期疾患の検出に役立つ可能性がある。しかし、現在のアプローチは不確実性を考慮していないため、信頼性に関する懸念を提起している。本研究は,モンテカルロ・ドロップアウト,変分推論,マルコフ・チェイン・モンテカルロ,アンサンブル・ラーニングの512症例における4年間の認知的スコア・トラジェクトリを信頼性境界で予測するために行った成績を比較した。 MC Dropout と MCMC は,ノイズの多いトレーニングデータの下で,よく校正され,正確な予測を行うことができることを示す。

関連論文リスト

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)
SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-24T04:47:36Z)
Assessing the significance of longitudinal data in Alzheimer's Disease forecasting [7.72135261611709]
我々は、アルツハイマー病(AD)の進行を予測するための縦断的患者データの重要性を特徴付けるために、トランスフォーマーエンコーダモデルを用いている。アルツハイマー病の縦断予測モデル (LongForMAD) は, 患者訪問の順序に埋め込まれた包括的時間的情報を活用する。本研究は,ADの早期検出とモニタリングを促進するため,臨床環境における経時的データの導入を支援する。
論文参考訳（メタデータ） (2024-05-27T16:55:48Z)
HiMAL: A Multimodal Hierarchical Multi-task Auxiliary Learning framework for predicting and explaining Alzheimer disease progression [0.0]
HiMAL (Hierarchical, Multi-task Auxiliary Learning) フレームワークを開発した。軽度認知障害からアルツハイマー病への移行の経時的リスクを推定する補助的タスクとして認知複合機能を予測する。
論文参考訳（メタデータ） (2024-04-04T05:30:03Z)
Learning the irreversible progression trajectory of Alzheimer's disease [11.64715654943075]
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。
論文参考訳（メタデータ） (2024-03-10T04:17:42Z)
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)
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)
Learning transition times in event sequences: the Event-Based Hidden Markov Model of disease progression [4.12857285066818]
我々は、イベントベースと隠れマルコフモデリングのアイデアを結びつけて、疾患進行の新しい生成モデルを作成する。我々のモデルは、限られたデータセットから最も可能性の高いグループレベルのシーケンスとイベントのタイミングを推測することができる。我々は,アルツハイマー病神経画像イニシアチブの臨床的,画像的,バイオ流体的データを用いて,我々のモデルの有効性と有用性を実証した。
論文参考訳（メタデータ） (2020-11-02T15:13:03Z)
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)
Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2020-09-25T01:50:15Z)
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)

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。