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

• Modeling COVID-19 Dynamics in German States Using Physics-Informed Neural Networks [6.836413501859184]
  我々は,ロバート・コッホ研究所(RKI)の感染データを用いて,SIRモデルの逆問題を解決するために物理情報ニューラルネットワーク(PINN)を用いた。 私たちの主な貢献は、3年間のドイツ全州における新型コロナウイルスの動態の詳細な時間的分析です。 その結果, 地域間での感染行動の変動が強く, 予防接種摂取と主要なパンデミックフェーズに関連する時間的パターンとの相関が明らかとなった。
  論文  参考訳（メタデータ） (2025-10-08T08:59:39Z)
• 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)
• 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)
• 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)
• SPADE4: Sparsity and Delay Embedding based Forecasting of Epidemics [2.578242050187029]
  流行予測のためのSPADE4(Sprsity and Delay Embedding based Forecasting)を提案する。 本手法は,シミュレーションデータと実データの両方に適用した場合,コンパートメンタルモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-11T23:39:48Z)
• 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)
• Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics [2.705025060422369]
  感染性疾患は、世界中でヒトの病気や死亡の原因となっている。 感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
  論文  参考訳（メタデータ） (2022-06-21T19:31:25Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• 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)
• 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)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• 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)
• OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany [0.19791587637442667]
  専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。 我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
  論文  参考訳（メタデータ） (2020-10-01T11:01:49Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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。