論文の概要: Learning Mechanistic Subtypes of Neurodegeneration with a Physics-Informed Variational Autoencoder Mixture Model

• arxiv url: http://arxiv.org/abs/2509.15124v1
• Date: Thu, 18 Sep 2025 16:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.333322
• Title: Learning Mechanistic Subtypes of Neurodegeneration with a Physics-Informed Variational Autoencoder Mixture Model
• Title（参考訳）: 物理インフォームド変分オートエンコーダ混合モデルによる神経変性の学習的サブタイプ
• Authors: Sanduni Pinnawala, Annabelle Hartanto, Ivor J. A. Simpson, Peter A. Wijeratne,
• Abstract要約: 物理に基づくPDEによって制御された潜在動的モデルの混合を学習するための深層生成モデルを提案する。 本手法は, 反応拡散PDEを可変オートエンコーダ(VAE)混合モデルフレームワークに統合する。
• 参考スコア（独自算出の注目度）: 1.9029675742486807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modelling the underlying mechanisms of neurodegenerative diseases demands methods that capture heterogeneous and spatially varying dynamics from sparse, high-dimensional neuroimaging data. Integrating partial differential equation (PDE) based physics knowledge with machine learning provides enhanced interpretability and utility over classic numerical methods. However, current physics-integrated machine learning methods are limited to considering a single PDE, severely limiting their application to diseases where multiple mechanisms are responsible for different groups (i.e., subtypes) and aggravating problems with model misspecification and degeneracy. Here, we present a deep generative model for learning mixtures of latent dynamic models governed by physics-based PDEs, going beyond traditional approaches that assume a single PDE structure. Our method integrates reaction-diffusion PDEs within a variational autoencoder (VAE) mixture model framework, supporting inference of subtypes of interpretable latent variables (e.g. diffusivity and reaction rates) from neuroimaging data. We evaluate our method on synthetic benchmarks and demonstrate its potential for uncovering mechanistic subtypes of Alzheimer's disease progression from positron emission tomography (PET) data.
• Abstract（参考訳）: 神経変性疾患の基盤となるメカニズムをモデル化するには、スパースで高次元の神経画像データから異質で空間的に変化するダイナミクスを捉える方法が必要である。 偏微分方程式(PDE)に基づく物理知識と機械学習を統合することで、古典的な数値法よりも高い解釈可能性と有用性が得られる。 しかしながら、現在の物理統合機械学習手法は、単一のPDEを考えることに限定されており、複数のメカニズムが異なるグループ(サブタイプ)に責任を持つ病気への適用を厳しく制限し、モデルの不特定性や縮退性に関する問題を増大させている。 本稿では、物理に基づくPDEが支配する潜在動的モデルの混合を学習するための深層生成モデルを提案する。 本手法は, 反応拡散PDEを可変オートエンコーダ(VAE)混合モデルフレームワークに統合し, ニューロイメージングデータから解釈可能な潜伏変数(例えば, 拡散率, 反応速度)のサブタイプを推定する。 本手法を総合ベンチマークで評価し, ポジトロン線トモグラフィー(PET)データからアルツハイマー病進行の機械的サブタイプを明らかにする可能性を示した。

関連論文リスト

• Evaluating PDE discovery methods for multiscale modeling of biological signals [0.0]
  生体系は非線型であり、観測されていない変数や、それらの力学を支配する物理原理は部分的には未知である。 スケール間のギャップを埋めることの課題に対処するために、偏微分方程式(PDE)の発見を利用する。 PDE発見は、マイクロスケールデータからメソスケールのダイナミックス特性を示唆している。
  論文  参考訳（メタデータ） (2025-06-25T08:43:37Z)
• Finding the Underlying Viscoelastic Constitutive Equation via Universal Differential Equations and Differentiable Physics [1.03121181235382]
  本研究は、微分物理学と粘弾性流体を併用した普遍微分方程式(UDE)を用いる。 本研究は, 上対流マックスウェル (UCM) , ジョンソン・セガルマン (Johnson-Segalman) , ギーゼクス (Giesekus) および指数パン・テン・タンナー (Exponential Phan-Thien-Tanner, ePTT) の4つの粘弾性モデルの解析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-12-31T17:34:29Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• 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)

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。