論文の概要: Exploration of Hepatitis B Virus Infection Dynamics through Physics-Informed Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2503.10708v2
- Date: Sun, 10 Aug 2025 06:28:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 16:55:52.255174
- Title: Exploration of Hepatitis B Virus Infection Dynamics through Physics-Informed Deep Learning Approach
- Title（参考訳）: 物理情報を用いた深層学習によるB型肝炎ウイルス感染動態の探索
- Authors: Bikram Das, Rupchand Sutradhar, D C Dalal,
- Abstract要約: 近年、ウイルス感染のダイナミクスを捉えるための有望なフレームワークとして物理情報ニューラルネットワーク(PINN)が登場している。
標準PINNは、フォワードモデリングによって疾患のダイナミクスをシミュレートするのに有効であるが、しばしば重要な生物学的パラメータを推定する際の課題に直面している。
DINNはパラメータ推定タスクに対して、より堅牢なアプローチを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate forecasting of viral disease outbreaks is crucial for guiding public health responses and preventing widespread loss of life. In recent years, Physics-Informed Neural Networks (PINNs) have emerged as a promising framework that can capture the intricate dynamics of viral infection and reliably predict its future progression. However, despite notable advances, the application of PINNs in disease modeling remains limited. Standard PINNs are effective in simulating disease dynamics through forward modeling but often face challenges in estimating key biological parameters from sparse or noisy experimental data when applied in an inverse framework. To overcome these limitations, a recent extension known as Disease Informed Neural Networks (DINNs) has emerged, offering a more robust approach to parameter estimation tasks. In this work, we apply this DINNs technique on a recently proposed hepatitis B virus (HBV) infection dynamics model to predict infection transmission within the liver. This model consists of four compartments: uninfected and infected hepatocytes, rcDNA-containing capsids, and free viruses. Leveraging the power of DINNs, we study the impacts of (i) variations in parameter range, (ii) experimental noise in data, (iii) sample sizes, (iv) network architecture and (v) learning rate. We employ this methodology in experimental data collected from nine HBV-infected chimpanzees and observe that it reliably estimates the model parameters. DINNs can capture infection dynamics and predict their future progression even when data of some compartments of the system are missing. Additionally, it identifies the influential model parameters that determine whether the HBV infection is cleared or persists within the host.
- Abstract（参考訳）: ウイルス感染症の発生の正確な予測は、公衆衛生の対応を導き、広範囲にわたる生命の喪失を防ぐために不可欠である。
近年、物理情報ニューラルネットワーク(PINN)は、ウイルス感染の複雑なダイナミクスを捉え、その将来的な進展を確実に予測できる、有望なフレームワークとして出現している。
しかし、特筆すべき進歩にもかかわらず、病気モデリングにおけるPINNの応用は依然として限られている。
標準PINNは、フォワードモデリングによって疾患のダイナミクスをシミュレートするのに有効であるが、逆フレームワークに適用した場合、しばしば、重要生物学的パラメータをスパースまたはノイズの多い実験データから推定する際の課題に直面している。
これらの制限を克服するために、最近の拡張である Disease Informed Neural Networks (DINNs) が登場し、パラメータ推定タスクに対するより堅牢なアプローチを提供する。
本研究は,最近提案されたB型肝炎ウイルス(HBV)感染動態モデルを用いて,肝内感染の予測を行う。
このモデルは、無感染および感染した肝細胞、rcDNA含有カプシド、および遊離ウイルスの4つの区画から構成される。
DINNの力を活用して、我々は影響について研究する
(i)パラメータ範囲の変動
(ii)データの実験的ノイズ
(三)サンプルサイズ
(iv)ネットワークアーキテクチャ
(v)学習率。
9種のHBV感染チンパンジーから収集した実験データにこの手法を適用し,モデルパラメータを確実に推定することを確認した。
DINNは、システムのいくつかの区画のデータが欠落している場合でも、感染のダイナミクスを捉え、将来の進行を予測することができる。
さらに、HBV感染がクリアされているか宿主内で持続されているかを決定する、影響力のあるモデルパラメータを特定する。
関連論文リスト
- A Hybrid CNN-Transformer Model for Heart Disease Prediction Using Life History Data [4.043923997825091]
本研究では、畳み込みニューラルネットワーク(CNN)とトランスフォーマーのハイブリッドモデルを用いて、心臓疾患の予測と診断を行う。
局所的な特徴を検出するCNNの強みとグローバルな関係を感知するトランスフォーマーの高能力に基づいて、このモデルは心臓病の危険因子を検出することができる。
論文 参考訳（メタデータ） (2025-03-03T23:12:55Z) - A data augmentation strategy for deep neural networks with application to epidemic modelling [2.4537195774258556]
本稿では,最近導入されたSIR型モデルに対するデータ駆動型手法とディープニューラルネットワークの適用例を示す。
この結果から,データ駆動モデルに適したロバストなデータ拡張戦略により,フィードフォワードニューラルネットワーク(FNN)とオートレグレッシブネットワーク(NAR)の信頼性が向上することが示唆された。
このアプローチは非線形力学を扱う能力を高め、流行予測のためのスケーラブルでデータ駆動型ソリューションを提供する。
論文 参考訳（メタデータ） (2025-02-28T13:24:49Z) - Physics-informed deep learning for infectious disease forecasting [3.3618265137908527]
物理インフォームドニューラルネットワーク(PINN)に基づく新しい感染症予測モデルを提案する。
カリフォルニア州の国家レベルのCOVID-19データを用いて、PINNモデルがケース、死亡、入院を正確に予測していることを実証する。
論文 参考訳（メタデータ） (2025-01-16T05:07:05Z) - Neuromorphic Spiking Neural Network Based Classification of COVID-19 Spike Sequences [4.497217246897902]
本稿では,SARS-CoV-2データの効率的な解析を行うニューラルネットワークベース(NN)機構を提案する。
本稿では、まずスパイクタンパク質配列を固定長の数値表現に変換し、次にニューロモルフィックスパイキングニューラルネットワークを用いてそれらの配列を分類するパイプラインを提案する。
論文 参考訳（メタデータ） (2024-12-19T10:26:31Z) - Securing Healthcare with Deep Learning: A CNN-Based Model for medical IoT Threat Detection [0.44998333629984877]
インターネット・オブ・メディカル・モノ(IoMT)の医療システムへの統合は、患者のケアを大幅に強化した。
本稿では、IoMT環境におけるサイバー攻撃を検出するために、畳み込みニューラルネットワーク(CNN)に基づく新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-10-26T14:27:17Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Approaching epidemiological dynamics of COVID-19 with physics-informed
neural networks [23.95944607153291]
SIRモデルに埋め込まれた物理インフォームドニューラルネットワーク(PINN)は、感染症の時間的進化のダイナミクスを理解するために考案された。
この手法はドイツで報告された新型コロナウイルス(COVID-19)のデータに適用され、ウイルスの拡散傾向を正確に把握し予測できることが示されている。
論文 参考訳（メタデータ） (2023-02-17T10:36:58Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳（メタデータ） (2022-10-28T18:58:34Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。