論文の概要: Longitudinal Progression Prediction of Alzheimer's Disease with Tabular Foundation Model

• arxiv url: http://arxiv.org/abs/2508.17649v1
• Date: Mon, 25 Aug 2025 04:24:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.628817
• Title: Longitudinal Progression Prediction of Alzheimer's Disease with Tabular Foundation Model
• Title（参考訳）: Tabular Foundation Model を用いたアルツハイマー病の経時的進展予測
• Authors: Yilang Ding, Jiawen Ren, Jiaying Lu, Gloria Hyunjung Kwak, Armin Iraji, Alex Fedorov,
• Abstract要約: この研究は、L2C-TabPFNを導入し、L2C変換を事前訓練されたタブラル基礎モデル(TabPFN)と統合し、アルツハイマー病の発症を予測する。 L2C-TabPFNは、シーケンシャルな患者の記録を固定長の特徴ベクトルに変換し、診断、認知スコア、心室容積の堅牢な予測を可能にする。
• 参考スコア（独自算出の注目度）: 2.693752235635378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alzheimer's disease is a progressive neurodegenerative disorder that remains challenging to predict due to its multifactorial etiology and the complexity of multimodal clinical data. Accurate forecasting of clinically relevant biomarkers, including diagnostic and quantitative measures, is essential for effective monitoring of disease progression. This work introduces L2C-TabPFN, a method that integrates a longitudinal-to-cross-sectional (L2C) transformation with a pre-trained Tabular Foundation Model (TabPFN) to predict Alzheimer's disease outcomes using the TADPOLE dataset. L2C-TabPFN converts sequential patient records into fixed-length feature vectors, enabling robust prediction of diagnosis, cognitive scores, and ventricular volume. Experimental results demonstrate that, while L2C-TabPFN achieves competitive performance on diagnostic and cognitive outcomes, it provides state-of-the-art results in ventricular volume prediction. This key imaging biomarker reflects neurodegeneration and progression in Alzheimer's disease. These findings highlight the potential of tabular foundational models for advancing longitudinal prediction of clinically relevant imaging markers in Alzheimer's disease.
• Abstract（参考訳）: アルツハイマー病は進行性神経変性疾患であり、多因子の病因と多モードの臨床データの複雑さにより予測が困難である。 診断および定量測定を含む臨床関連バイオマーカーの正確な予測は、疾患進行の効果的なモニタリングに不可欠である。 L2C-TabPFNは、縦-横-断面変換(L2C)と事前訓練されたタブラル基礎モデル(TabPFN)を統合して、TADPOLEデータセットを用いてアルツハイマー病の結果を予測する手法である。 L2C-TabPFNは、シーケンシャルな患者の記録を固定長の特徴ベクトルに変換し、診断、認知スコア、心室容積の堅牢な予測を可能にする。 実験の結果,L2C-TabPFNは診断と認知の成績において競争力を発揮するが,心室容積の予測には最先端の結果が得られた。 この重要なイメージングバイオマーカーはアルツハイマー病の神経変性と進行を反映している。 以上の結果から,アルツハイマー病における画像マーカーの経時的予測のための表層基盤モデルの可能性が示唆された。

関連論文リスト

• Cross-modal Causal Intervention for Alzheimer's Disease Prediction [12.485088483891843]
  本稿では,アルツハイマー病の予防接種による視覚的因果介入の枠組みを提案する。 私たちのフレームワークは、因果的介入を通じて、共同創設者を暗黙的に排除します。 CN/MCI/ADの鑑別において,本手法の優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-07-18T14:21:24Z)
• Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI [1.0439136407307048]
  階層型視覚変換器モデルであるSwin Transformerを用いたマルチシェルdMRIデータに基づく分類パイプラインを提案する。 DTIとNODDIの主なメトリクスを抽出し、2次元平面上に投影し、ImageNet-pretrained modelで転送学習を可能にする。 診断群予測(認知正常,軽度認知障害,アルツハイマー病認知症,アミロイド状態分類)の枠組みについて検討した。
  論文  参考訳（メタデータ） (2025-07-14T07:31:40Z)
• Dynamic Classification of Latent Disease Progression with Auxiliary Surrogate Labels [4.997489272248076]
  進化する健康情報に基づく疾患進展予測は、真の疾患状態が不明な場合に困難である。 我々は,主観的ラベルを用いた適応的前方回帰アルゴリズムを開発した。 漸近特性が確立され, 有限試料による顕著な改善が示された。
  論文  参考訳（メタデータ） (2024-12-11T04:14:15Z)
• CIResDiff: A Clinically-Informed Residual Diffusion Model for Predicting Idiopathic Pulmonary Fibrosis Progression [38.14873567230233]
  特発性肺線維症(IPF)は患者の死亡率に大きく相関する。 現在の臨床基準では1年間隔で2回のCT検査を必要とする疾患の進行を規定している。 そこで我々は, 患者のCT画像からIPFの進行を正確に予測する新しい拡散モデルを開発した。
  論文  参考訳（メタデータ） (2024-08-01T22:01:42Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• Morphological feature visualization of Alzheimer's disease via Multidirectional Perception GAN [40.50404819220093]
  アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。 MP-GANは既存の手法に比べて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-11-25T03:24:52Z)
• Toward a multimodal multitask model for neurodegenerative diseases diagnosis and progression prediction [0.5735035463793008]
  本稿では、アルツハイマー病の予測に使用されるモデルの様々なカテゴリを、それぞれの学習手法で概説する。 それは、アルツハイマー病の進行を早期に予測し、検出する比較研究を確立している。 最後に,ロバストかつ高精度な検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-10T11:44:16Z)
• Modeling Disease Progression in Mild Cognitive Impairment and Alzheimer's Disease with Digital Twins [0.0]
  デジタル双生児は、実際の被験者とベースラインデータを共有する臨床記録のシミュレーションである。 我々はDigital Twinsが、さまざまな病気の重症度で臨床試験において、いくつかの重要なエンドポイントの進行を同時に捉える方法を示す。
  論文  参考訳（メタデータ） (2020-12-24T22:29:47Z)
• Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment [38.936005220639316]
  軽度認知障害 (MCI) とアルツハイマー病 (AD) を評価するために, 高次プールを用いた新しいテンソル化GANを提案する。 GAN(THS-GAN)は,MRI画像によるAD診断の分類を行う最初の試みである。
  論文  参考訳（メタデータ） (2020-08-03T10:04:09Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。