論文の概要: A Stage-Aware Mixture of Experts Framework for Neurodegenerative Disease Progression Modelling

• arxiv url: http://arxiv.org/abs/2508.07032v1
• Date: Sat, 09 Aug 2025 16:09:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.66617
• Title: A Stage-Aware Mixture of Experts Framework for Neurodegenerative Disease Progression Modelling
• Title（参考訳）: 神経変性疾患進行モデルのためのエキスパートフレームワークの段階的混合
• Authors: Tiantian He, Keyue Jiang, An Zhao, Anna Schroder, Elinor Thompson, Sonja Soskic, Frederik Barkhof, Daniel C. Alexander,
• Abstract要約: 神経変性疾患の長期進行はグラフ拡散過程として一般的に概念化されている。 そこで本研究では,異なるコントリビューション機構が病期においてどのように支配されているかを明確にモデル化する,新たな段階認識型混合エキスパートフレームワークを提案する。 IGND-MoEモデルは、これらの成分を時間的状態にわたって動的に統合し、ステージ特異的な病理機構が進行にどのように寄与するかを理解するための原則化された方法を提供する。
• 参考スコア（独自算出の注目度）: 6.577465893404979
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The long-term progression of neurodegenerative diseases is commonly conceptualized as a spatiotemporal diffusion process that consists of a graph diffusion process across the structural brain connectome and a localized reaction process within brain regions. However, modeling this progression remains challenging due to 1) the scarcity of longitudinal data obtained through irregular and infrequent subject visits and 2) the complex interplay of pathological mechanisms across brain regions and disease stages, where traditional models assume fixed mechanisms throughout disease progression. To address these limitations, we propose a novel stage-aware Mixture of Experts (MoE) framework that explicitly models how different contributing mechanisms dominate at different disease stages through time-dependent expert weighting.Data-wise, we utilize an iterative dual optimization method to properly estimate the temporal position of individual observations, constructing a co hort-level progression trajectory from irregular snapshots. Model-wise, we enhance the spatial component with an inhomogeneous graph neural diffusion model (IGND) that allows diffusivity to vary based on node states and time, providing more flexible representations of brain networks. We also introduce a localized neural reaction module to capture complex dynamics beyond standard processes.The resulting IGND-MoE model dynamically integrates these components across temporal states, offering a principled way to understand how stage-specific pathological mechanisms contribute to progression. The stage-wise weights yield novel clinical insights that align with literature, suggesting that graph-related processes are more influential at early stages, while other unknown physical processes become dominant later on.
• Abstract（参考訳）: 神経変性疾患の長期進行は、一般に、構造脳コネクトームにまたがるグラフ拡散過程と脳領域内の局所的な反応過程からなる時空間拡散過程として概念化されている。 しかし、この進歩をモデル化することは依然として困難である。 1)不規則で頻繁な被験者の訪問や訪問を通じて得られた長手データの不足 2)脳の領域や疾患の段階にまたがる病理機構の複雑な相互作用は,従来のモデルでは疾患の進行を通じて固定的なメカニズムを前提としていた。 これらの制約に対処するために、時間依存的な専門家重み付けにより、異なるコントリビューション機構が異なる疾患段階でどのように支配されているかを明確にモデル化する、新しい段階認識型エキスパート混合(MoE)フレームワークを提案する。 モデル面では,非均一グラフ神経拡散モデル(IGND)により空間成分を拡張し,ノードの状態や時間に基づいて拡散率を変化させ,より柔軟な脳ネットワーク表現を提供する。 IGND-MoEモデルは、これらの成分を時間的状態にわたって動的に統合し、ステージ特異的な病理機構が進行にどのように寄与するかを理解するための原則的な方法を提供する。 段階的な重みは、文学と整合する新たな臨床的洞察をもたらし、グラフ関連プロセスが早期により影響力を持ち、他の未知の物理過程が後に支配的なものになることを示唆している。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• High-throughput digital twin framework for predicting neurite deterioration using MetaFormer attention [2.0971479389679337]
  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。
  論文  参考訳（メタデータ） (2024-12-18T01:48:50Z)
• SkelMamba: A State Space Model for Efficient Skeleton Action Recognition of Neurological Disorders [14.304356695180005]
  骨格に基づく人間行動認識のための新しい状態空間モデル(SSM)を提案する。 本モデルでは,複数部位にわたる局所的な関節相互作用と大域的な運動パターンを捉える。 この歩行認識分解は、診断において重要な微妙な動きパターンを識別する能力を高める。
  論文  参考訳（メタデータ） (2024-11-29T08:43:52Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
  人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。 人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。 本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-07-24T12:21:33Z)
• Extraction and Recovery of Spatio-Temporal Structure in Latent Dynamics Alignment with Diffusion Models [1.4756031289693907]
  行動関連脳の計算では、神経信号をその中の急激な領域に合わせる必要がある。 本研究では,拡散モデルの表現性を利用して潜在力学の固有時間構造を保存するアライメント手法であるEDDiffを提案する。 提案手法は, 潜時力学の時間的構造を保ち, 整合性, ニューラルデコード性能において, 既存の手法より優れることを示す。
  論文  参考訳（メタデータ） (2023-06-09T05:53:11Z)
• Ranking of Communities in Multiplex Spatiotemporal Models of Brain Dynamics [0.0]
  隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。 この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。 ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
  論文  参考訳（メタデータ） (2022-03-17T12:14:09Z)
• 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)
• 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。