論文の概要: Multimodal Disease Progression Modeling via Spatiotemporal Disentanglement and Multiscale Alignment

• arxiv url: http://arxiv.org/abs/2510.11112v1
• Date: Mon, 13 Oct 2025 08:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.255269
• Title: Multimodal Disease Progression Modeling via Spatiotemporal Disentanglement and Multiscale Alignment
• Title（参考訳）: 時空間差とマルチスケールアライメントによるマルチモーダル病進行モデリング
• Authors: Chen Liu, Wenfang Yao, Kejing Yin, William K. Cheung, Jing Qin,
• Abstract要約: $textttDiPro$は、リージョン対応のアンタングルメントとマルチタイムアライメントによる課題に対処する新しいフレームワークである。 MIMICデータセットの実験では、$textttDiPro$が時間的臨床的ダイナミクスを効果的に抽出できることが示されている。
• 参考スコア（独自算出の注目度）: 16.824692012617334
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Longitudinal multimodal data, including electronic health records (EHR) and sequential chest X-rays (CXRs), is critical for modeling disease progression, yet remains underutilized due to two key challenges: (1) redundancy in consecutive CXR sequences, where static anatomical regions dominate over clinically-meaningful dynamics, and (2) temporal misalignment between sparse, irregular imaging and continuous EHR data. We introduce $\texttt{DiPro}$, a novel framework that addresses these challenges through region-aware disentanglement and multi-timescale alignment. First, we disentangle static (anatomy) and dynamic (pathology progression) features in sequential CXRs, prioritizing disease-relevant changes. Second, we hierarchically align these static and dynamic CXR features with asynchronous EHR data via local (pairwise interval-level) and global (full-sequence) synchronization to model coherent progression pathways. Extensive experiments on the MIMIC dataset demonstrate that $\texttt{DiPro}$ could effectively extract temporal clinical dynamics and achieve state-of-the-art performance on both disease progression identification and general ICU prediction tasks.
• Abstract（参考訳）: エレクトロニック・ヘルス・レコード(EHR)やシーケンシャル・チェストX線(CXR)などの経時的マルチモーダルデータは、疾患の進行をモデル化するのに重要であるが、(1)臨床上有意なダイナミックスよりも静的な解剖学的領域が支配されるCXRシークエンスにおける冗長性、(2)スパース、不規則なイメージング、および連続EHRデータ間の時間的ミスアライメントの2つの主要な課題により、未利用のままである。 このフレームワークは、地域対応のアンタングルメントとマルチタイムスケールアライメントを通じて、これらの課題に対処する。 まず, 疾患関連変化を優先し, 静的(解剖学的) および動的(病理的進行)の特徴を逐次CXRで切り離す。 第二に、これらの静的および動的CXR特徴を、局所(ペアワイド間隔レベル)およびグローバル(フルシーケンス)同期を介して非同期EHRデータと階層的に整列し、コヒーレント進行経路をモデル化する。 MIMICデータセットの大規模な実験により、$\texttt{DiPro}$は、時間的臨床的ダイナミクスを効果的に抽出し、疾患進行の特定と一般のICU予測タスクにおける最先端のパフォーマンスを達成することができることが示された。

関連論文リスト

• Biaxialformer: Leveraging Channel Independence and Inter-Channel Correlations in EEG Signal Decoding for Predicting Neurological Outcomes [1.7656489005289302]
  脳波信号の正確な復号には、個々のチャネル内の時間的ダイナミクスとチャネル間の空間的依存関係の両方をモデル化する必要がある。 チャネル独立性(CI)戦略を利用したトランスフォーマーベースモデルは,様々な時系列タスクにおいて高い性能を示した。 本稿では,2段階の注意に基づくフレームワークを巧みに設計したBiformerを提案する。
  論文  参考訳（メタデータ） (2025-06-18T11:47:26Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Addressing Asynchronicity in Clinical Multimodal Fusion via Individualized Chest X-ray Generation [14.658627367126009]
  本稿では,胸部X線像の最新の画像表現を動的に生成するDDL-CXRを提案する。 提案手法は,従来のCXR画像とERH時系列を戦略的に条件付けした患者特異的生成のための潜時拡散モデルを利用する。 MIMICデータセットを用いた実験は、提案モデルがマルチモーダル融合における非同期性に効果的に対応し、既存の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-10-23T14:34:39Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
  マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。 術後合併症9例の発症予測に基礎的アプローチを応用した。
  論文  参考訳（メタデータ） (2024-03-06T19:46:44Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• An Adversarial Domain Separation Framework for Septic Shock Early Prediction Across EHR Systems [7.058760708627898]
  本稿では,異なる医療システムから収集したEHRの2つのカテゴリの相違に対処する汎用ドメイン適応(DA)フレームワークを提案する。 本研究は,米国における異なる医療システムから得られた2つの現実的 EHR を用いて,極めて困難な症状である敗血症性ショックの早期診断のための枠組みを評価する。
  論文  参考訳（メタデータ） (2020-10-26T23:41:33Z)
• 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。