論文の概要: Structure-Aware Temporal Modeling for Chronic Disease Progression Prediction
- arxiv url: http://arxiv.org/abs/2508.14942v1
- Date: Wed, 20 Aug 2025 04:55:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-22 16:26:46.036797
- Title: Structure-Aware Temporal Modeling for Chronic Disease Progression Prediction
- Title（参考訳）: 慢性疾患進展予測のための構造を考慮した時間モデル
- Authors: Jiacheng Hu, Bo Zhang, Ting Xu, Haifeng Yang, Min Gao,
- Abstract要約: 本研究は、症状進化の複雑さと時間依存性モデリングの不十分さの課題に対処する。
構造的知覚と時間的モデリングを統合した統合予測フレームワークを提案する。
その結果,提案手法はAUC,RMSE,IPW-F1の既存の手法よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 8.037298084079504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study addresses the challenges of symptom evolution complexity and insufficient temporal dependency modeling in Parkinson's disease progression prediction. It proposes a unified prediction framework that integrates structural perception and temporal modeling. The method leverages graph neural networks to model the structural relationships among multimodal clinical symptoms and introduces graph-based representations to capture semantic dependencies between symptoms. It also incorporates a Transformer architecture to model dynamic temporal features during disease progression. To fuse structural and temporal information, a structure-aware gating mechanism is designed to dynamically adjust the fusion weights between structural encodings and temporal features, enhancing the model's ability to identify key progression stages. To improve classification accuracy and stability, the framework includes a multi-component modeling pipeline, consisting of a graph construction module, a temporal encoding module, and a prediction output layer. The model is evaluated on real-world longitudinal Parkinson's disease data. The experiments involve comparisons with mainstream models, sensitivity analysis of hyperparameters, and graph connection density control. Results show that the proposed method outperforms existing approaches in AUC, RMSE, and IPW-F1 metrics. It effectively distinguishes progression stages and improves the model's ability to capture personalized symptom trajectories. The overall framework demonstrates strong generalization and structural scalability, providing reliable support for intelligent modeling of chronic progressive diseases such as Parkinson's disease.
- Abstract（参考訳）: 本研究は、パーキンソン病進行予測における症状進化の複雑さと時間的依存性のモデリング不足の課題に対処する。
構造的知覚と時間的モデリングを統合した統合予測フレームワークを提案する。
本手法は,マルチモーダルな臨床症状間の構造的関係をモデル化するためにグラフニューラルネットワークを活用し,症状間の意味的依存関係を捉えるためにグラフベースの表現を導入する。
また、Transformerアーキテクチャを組み込んで、病気進行時の動的時間的特徴をモデル化する。
構造的情報と時間的情報を融合するために、構造的エンコーディングと時間的特徴の融合重みを動的に調整し、重要な進行段階を識別するモデルの能力を高める構造的ゲーティング機構が設計されている。
分類精度と安定性を向上させるため、グラフ構築モジュール、時間符号化モジュール、予測出力層からなる多成分モデリングパイプラインを含む。
本モデルは, 実世界のパーキンソン病の病状データに基づいて評価した。
実験には、主流モデルとの比較、ハイパーパラメータの感度解析、グラフ接続密度制御が含まれる。
その結果,提案手法はAUC,RMSE,IPW-F1の既存の手法よりも優れていることがわかった。
進行段階を効果的に区別し、パーソナライズされた症状軌跡を捕捉するモデルの能力を改善する。
全体的なフレームワークは強力な一般化と構造的スケーラビリティを示し、パーキンソン病のような慢性進行性疾患のインテリジェントなモデリングを支援する。
関連論文リスト
- Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。
具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。
有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
論文 参考訳（メタデータ） (2025-07-11T03:11:15Z) - MambaControl: Anatomy Graph-Enhanced Mamba ControlNet with Fourier Refinement for Diffusion-Based Disease Trajectory Prediction [12.11009754294397]
医用画像軌跡の高忠実度予測のための拡散過程と選択状態空間モデリングを統合したフレームワークであるMambaControlを紹介する。
MambaControlはアルツハイマー病の予測において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-05-15T04:59:02Z) - STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis [9.511932098831322]
大腸癌肝転移(KCCM)を予測するためのマルチモーダル時間グラフニューラルネットワーク(STG)フレームワークを提案する。
我々のSTGフレームワークはCT画像と臨床データをヘテロジニアスグラフ構造に結合し,腫瘍分布エッジの同時モデリングと時間的進化を可能にする。
軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。
論文 参考訳（メタデータ） (2025-05-06T02:41:34Z) - Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。
本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
論文 参考訳（メタデータ） (2025-04-20T01:54:18Z) - Unifying Physics- and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting [4.791960848500047]
本稿では,感染症の時間動態をモデル化する新しいCSTG(Causpatioal Neural Graph Network)フレームワークを提案する。
適応的な静的接続グラフを用いて、人間の移動性の安定な成分を表現し、これらのパターンの中で時間的ダイナミクスモデルゆらぎを利用する。
我々は,中国の地方レベルとドイツの州レベルで実世界のデータセットを用いて,我々のモデルを検証した。
論文 参考訳（メタデータ） (2025-04-07T14:46:11Z) - Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。
この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
論文 参考訳（メタデータ） (2025-03-31T10:16:03Z) - AI-Powered Automated Model Construction for Patient-Specific CFD Simulations of Aortic Flows [8.062885940500259]
本研究では,医用画像からシミュレーション可能な血管モデルを作成するためのディープラーニングフレームワークを提案する。
提案手法は,手作業や処理時間を著しく削減しつつ,セグメンテーションとメッシュ品質の最先端性能を示す。
論文 参考訳（メタデータ） (2025-03-16T14:18:25Z) - 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) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳（メタデータ） (2022-08-30T20:16:17Z) - 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) - 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。