論文の概要: Accelerated Patient-Specific Calibration via Differentiable Hemodynamics Simulations
- arxiv url: http://arxiv.org/abs/2412.14572v1
- Date: Thu, 19 Dec 2024 06:42:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:29:22.406553
- Title: Accelerated Patient-Specific Calibration via Differentiable Hemodynamics Simulations
- Title（参考訳）: 微分血行動態シミュレーションによる患者特異的校正の高速化
- Authors: Diego Renner, Georgios Kissas,
- Abstract要約: パーソナライズドメディカルの目標の1つは、個々の患者に診断をカスタマイズすることである。
計算モデルをパーソナライズすることは、患者固有のフロー条件を考えることにつながる。
微分可能な0D-1D Navier-Stokesリダクションモデル解法に基づくパーソナライズされた診断手法を提案する。
- 参考スコア（独自算出の注目度）: 1.688134675717698
- License:
- Abstract: One of the goals of personalized medicine is to tailor diagnostics to individual patients. Diagnostics are performed in practice by measuring quantities, called biomarkers, that indicate the existence and progress of a disease. In common cardiovascular diseases, such as hypertension, biomarkers that are closely related to the clinical representation of a patient can be predicted using computational models. Personalizing computational models translates to considering patient-specific flow conditions, for example, the compliance of blood vessels that cannot be a priori known and quantities such as the patient geometry that can be measured using imaging. Therefore, a patient is identified by a set of measurable and nonmeasurable parameters needed to well-define a computational model; else, the computational model is not personalized, meaning it is prone to large prediction errors. Therefore, to personalize a computational model, sufficient information needs to be extracted from the data. The current methods by which this is done are either inefficient, due to relying on slow-converging optimization methods, or hard to interpret, due to using `black box` deep-learning algorithms. We propose a personalized diagnostic procedure based on a differentiable 0D-1D Navier-Stokes reduced order model solver and fast parameter inference methods that take advantage of gradients through the solver. By providing a faster method for performing parameter inference and sensitivity analysis through differentiability while maintaining the interpretability of well-understood mathematical models and numerical methods, the best of both worlds is combined. The performance of the proposed solver is validated against a well-established process on different geometries, and different parameter inference processes are successfully performed.
- Abstract（参考訳）: パーソナライズドメディカルの目標の1つは、個々の患者に診断をカスタマイズすることである。
診断は、疾患の存在と進行を示すバイオマーカーと呼ばれる量を測定することで実際に行われる。
高血圧などの一般的な心血管疾患では、患者の臨床的表現と密接に関連するバイオマーカーを計算モデルを用いて予測することができる。
計算モデルをパーソナライズすることは、患者固有のフロー条件、例えば、既知でない血管のコンプライアンスや、イメージングを用いて測定できる患者幾何学などの量を考慮することにつながる。
したがって、患者は、計算モデルを適切に定義するのに必要な測定不可能かつ測定不能なパラメータのセットによって識別される。
したがって、計算モデルをパーソナライズするには、データから十分な情報を抽出する必要がある。
これを行う現在のメソッドは、遅い収束最適化メソッドに依存するため、あるいは‘ブラックボックス’ディープラーニングアルゴリズムを使用するため、解釈が難しいため、非効率である。
本稿では, 微分可能な0D-1D Navier-Stokes縮小順序モデルの解法と, 解法による勾配を利用する高速パラメータ推論法に基づくパーソナライズされた診断手法を提案する。
よく理解された数学的モデルと数値的手法の解釈可能性を維持しつつ、微分可能性によるパラメータ推論と感度解析を高速に行う方法を提供することにより、両方の世界のベストを組み合わせられる。
提案した解法の性能は、異なる測地上で確立されたプロセスに対して検証され、異なるパラメータ推論プロセスが正常に実行される。
関連論文リスト
- Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - Kernel Cox partially linear regression: building predictive models for
cancer patients' survival [4.230753712933184]
我々はカーネルCox比例ハザード半パラメトリックモデルを構築し、モデルに適合する新しい正規化ニンジン化カーネルマシン(RegGKM)を提案する。
我々はカーネルマシン法を用いて生存率と予測値の複雑な関係を記述し、無関係なパラメトリックおよび非パラメトリック予測値を自動的に除去する。
この結果は、患者を異なる死亡リスクを持つグループに分類し、より良い臨床結果を得るために治療を促進するのに役立つ。
論文 参考訳（メタデータ） (2023-10-11T04:27:54Z) - 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) - Liver Infection Prediction Analysis using Machine Learning to Evaluate
Analytical Performance in Neural Networks by Optimization Techniques [0.0]
本稿では, 各種肝疾患データセットの機械学習アルゴリズムを用いて, 解析性能の評価を行う。
選択された分類アルゴリズムは、結果の違いを分析し、肝疾患の最も優れた分類モデルを見出す。
論文 参考訳（メタデータ） (2023-05-11T14:40:39Z) - Model Based Reinforcement Learning for Personalized Heparin Dosing [0.0]
本稿では,パーソナライズされたヘパリン投与量を最適化する上での課題に対処する枠組みを提案する。
患者によって個別にパラメータ化された予測モデルを用いて、将来の治療効果を予測する。
次に、このモデルをシナリオ生成ベースのアプローチで活用し、患者の安全性を確保する。
論文 参考訳（メタデータ） (2023-04-19T22:37:12Z) - Data-driven reduced-order modelling for blood flow simulations with
geometry-informed snapshots [0.0]
類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。
幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。
ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
論文 参考訳（メタデータ） (2023-02-21T21:18:17Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Bridging the Gap Between Patient-specific and Patient-independent
Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。
患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。
提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文 参考訳（メタデータ） (2022-02-25T10:30:29Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - 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。