論文の概要: Early Prediction of Multiple Sclerosis Disability Progression via Multimodal Foundation Model Benchmarks
- arxiv url: http://arxiv.org/abs/2506.14986v1
- Date: Tue, 17 Jun 2025 21:37:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-19 19:35:51.488352
- Title: Early Prediction of Multiple Sclerosis Disability Progression via Multimodal Foundation Model Benchmarks
- Title(参考訳): マルチモーダル基礎モデルベンチマークによる多発性硬化症障害進展の早期予測
- Authors: Maxime Usdin, Lito Kriara, Licinio Craveiro,
- Abstract要約: 本研究は, 軽度臨床データとConSONANCE臨床試験による毎日のデジタルFloodlightデータを用いて, 48週間, 72週間の障害を予測した。
我々は、FM(State-of-the-art foundation model)、カスタムマルチモーダルアテンションベースのトランスフォーマー、機械学習手法を採用した。
本研究は,複雑で多様な臨床・デジタル生命科学データから予測信号を抽出するためのFMとマルチモーダルアプローチの可能性を実証するものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Early multiple sclerosis (MS) disability progression prediction is challenging due to disease heterogeneity. This work predicts 48- and 72-week disability using sparse baseline clinical data and 12 weeks of daily digital Floodlight data from the CONSONANCE clinical trial. We employed state-of-the-art tabular and time-series foundation models (FMs), a custom multimodal attention-based transformer, and machine learning methods. Despite the difficulty of early prediction (AUROC 0.63), integrating digital data via advanced models improved performance over clinical data alone. A transformer model using unimodal embeddings from the Moment FM yielded the best result, but our multimodal transformer consistently outperformed its unimodal counterpart, confirming the advantages of combining clinical with digital data. Our findings demonstrate the promise of FMs and multimodal approaches to extract predictive signals from complex and diverse clinical and digital life sciences data (e.g., imaging, omics), enabling more accurate prognostics for MS and potentially other complex diseases.
- Abstract(参考訳): 早期多発性硬化症 (MS) 障害進行予測は, 疾患の不均一性により困難である。
本研究は, スパースベースライン臨床データとConSONANCE臨床試験から毎日12週間のデジタルFloodlightデータを用いて, 48週間, 72週間の障害を予測した。
我々は、最先端の表表と時系列の基礎モデル(FM)、カスタムマルチモーダルアテンションベースのトランスフォーマー、機械学習手法を採用した。
早期予測(AUROC 0.63)の難しさにもかかわらず、高度なモデルによるデジタルデータの統合により、臨床データのみのパフォーマンスが向上した。
Moment FMからの単調埋め込みを用いた変圧器モデルが最も良い結果を得たが、我々のマルチモーダル変圧器は一貫してその単調変換器よりも優れており、臨床とデジタルデータを組み合わせる利点が確認された。
本研究は,複雑な臨床およびデジタル生命科学データ(例えば,画像,オミクス)から予測信号を抽出し,より正確な診断を行うためのFMとマルチモーダルアプローチの可能性を実証するものである。
関連論文リスト
- Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。
これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。
既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。
第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文 参考訳(メタデータ) (2025-01-30T06:49:57Z) - DrFuse: Learning Disentangled Representation for Clinical Multi-Modal
Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。
モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。
実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
論文 参考訳(メタデータ) (2024-03-10T12:41:34Z) - Multimodal Clinical Trial Outcome Prediction with Large Language Models [28.95412904299012]
臨床試験の結果を予測するために, LIFTED(Multimodal Mixed-of-Experts)アプローチを提案する。
LIFTEDは、異なるモダリティデータを自然言語記述に変換することで統一する。
そして、LIFTEDは統合ノイズ耐性エンコーダを構築し、モーダル固有の言語記述から情報を抽出する。
論文 参考訳(メタデータ) (2024-02-09T16:18:38Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳(メタデータ) (2023-12-29T14:28:04Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Benchmarking Continuous Time Models for Predicting Multiple Sclerosis
Progression [46.394865849252696]
多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。
最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。
公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。
最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
論文 参考訳(メタデータ) (2023-02-15T18:45:32Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳(メタデータ) (2020-07-15T09:22:55Z)
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。