論文の概要: High-throughput digital twin framework for predicting neurite deterioration using MetaFormer attention

• arxiv url: http://arxiv.org/abs/2501.08334v1
• Date: Wed, 18 Dec 2024 01:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-19 09:06:23.356328
• Title: High-throughput digital twin framework for predicting neurite deterioration using MetaFormer attention
• Title（参考訳）: MetaFormer を用いた高出力ディジタルツインフレームワークによる神経突起劣化予測
• Authors: Kuanren Qian, Genesis Omana Suarez, Toshihiko Nambara, Takahisa Kanekiyo, Yongjie Jessica Zhang,
• Abstract要約: 神経発達障害(NDD)は、自閉症スペクトラム障害、注意欠陥・高活動障害、てんかんなど、様々な症状をカバーしている。 それらの高いコンコビディティと複雑なエチオロジーは、正確な診断と効果的な治療に重大な課題を呈している。 本稿では,NDDに関連する神経突起劣化に対する高スループットディジタルツインフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.0971479389679337
• License:
• Abstract: Neurodevelopmental disorders (NDDs) cover a variety of conditions, including autism spectrum disorder, attention-deficit/hyperactivity disorder, and epilepsy, which impair the central and peripheral nervous systems. Their high comorbidity and complex etiologies present significant challenges for accurate diagnosis and effective treatments. Conventional clinical and experimental studies are time-intensive, burdening research progress considerably. This paper introduces a high-throughput digital twin framework for modeling neurite deteriorations associated with NDDs, integrating synthetic data generation, experimental images, and machine learning (ML) models. The synthetic data generator utilizes an isogeometric analysis (IGA)-based phase field model to capture diverse neurite deterioration patterns such as neurite retraction, atrophy, and fragmentation while mitigating the limitations of scarce experimental data. The ML model utilizes MetaFormer-based gated spatiotemporal attention architecture with deep temporal layers and provides fast predictions. The framework effectively captures long-range temporal dependencies and intricate morphological transformations with average errors of 1.9641% and 6.0339% for synthetic and experimental neurite deterioration, respectively. Seamlessly integrating simulations, experiments, and ML, the digital twin framework can guide researchers to make informed experimental decisions by predicting potential experimental outcomes, significantly reducing costs and saving valuable time. It can also advance our understanding of neurite deterioration and provide a scalable solution for exploring complex neurological mechanisms, contributing to the development of targeted treatments.
• Abstract（参考訳）: 神経発達障害(NDD)は、自閉症スペクトラム障害、注意欠陥・高活動障害、てんかんなど、中枢神経系と末梢神経系を障害する様々な病態をカバーしている。 それらの高いコンコビディティと複雑なエチオロジーは、正確な診断と効果的な治療に重大な課題を呈している。 従来の臨床および実験的研究は、時間集約的な研究であり、研究の進行をかなり悩ませている。 本稿では、NDDに関連する神経突起の劣化をモデル化し、合成データ生成、実験画像、機械学習(ML)モデルを統合するための高スループットデジタルツインフレームワークを提案する。 合成データ生成装置は、アイソ幾何学解析(IGA)に基づく位相場モデルを用いて、希少な実験データの制限を緩和しつつ、神経突起の除去、萎縮、断片化などの多様な神経突起劣化パターンを捕捉する。 MLモデルでは,MetaFormerをベースとして,時間層が深く,かつ高速な予測が可能なゲート時空間アテンションアーキテクチャを採用している。 このフレームワークは、それぞれ合成および実験的神経突起劣化に対する平均誤差 1.9641% と 6.0339% の長期の時間依存性と複雑な形態変化を効果的に捉えている。 シミュレーション、実験、MLをシームレスに統合することで、デジタルツインフレームワークは、潜在的な実験結果を予測することによって、研究者に有益な実験的な決定を導き、コストを大幅に削減し、貴重な時間を節約することができる。 また、神経突起の劣化に対する理解を深め、複雑な神経学的メカニズムを探索するためのスケーラブルなソリューションを提供し、標的治療の開発に寄与する。

関連論文リスト

• Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
  神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。 本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
  論文  参考訳（メタデータ） (2024-06-18T17:22:55Z)
• Deep Learning to Predict Glaucoma Progression using Structural Changes in the Eye [0.20718016474717196]
  緑内障は視神経症を特徴とする慢性眼疾患であり、不可逆的な視力喪失を引き起こす。 早期発見は萎縮をモニターし、さらなる視力障害を防ぐ治療戦略を開発するために重要である。 本研究では,深層学習モデルを用いて,複雑な疾患の特徴と進行基準を同定する。
  論文  参考訳（メタデータ） (2024-06-09T01:12:41Z)
• Advancing fNIRS Neuroimaging through Synthetic Data Generation and Machine Learning Applications [0.0]
  本研究では,機能的近赤外分光法(fNIRS)の神経イメージングへの統合的アプローチを提案する。 高品質なニューロイメージングデータセットの不足に対処することにより、モンテカルロシミュレーションとパラメトリックヘッドモデルを利用して総合的な合成データセットを生成する。 スケーラブルなデータ生成と処理のためにクラウドベースのインフラストラクチャが確立され、ニューロイメージングデータのアクセシビリティと品質が向上する。
  論文  参考訳（メタデータ） (2024-05-18T09:50:19Z)
• Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion with Jacobian Maps [1.5501208213584152]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。 本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。 脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
  論文  参考訳（メタデータ） (2023-10-25T19:02:57Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Learning Generative Factors of Neuroimaging Data with Variational auto-encoders [0.0]
  生成モデリングの枠組みを応用して、複数の病理を分類し、それらの病理の神経学的メカニズムをデータ駆動で復元する。 本稿では、現在のドメイン知識と整合した疾患関連メカニズムを学習するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2022-06-04T08:23:25Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• 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)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。