論文の概要: Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs

• arxiv url: http://arxiv.org/abs/2510.13431v1
• Date: Wed, 15 Oct 2025 11:28:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.643525
• Title: Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs
• Title（参考訳）: PINNを用いた膀胱癌の適応細胞治療のモデリング
• Authors: Kayode Olumoyin, Katarzyna Rejniak,
• Abstract要約: 物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、力学系の法則を損失関数に組み込むニューラルネットワークである。 本研究では,腫瘍学に応用したPINNフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Physics-informed neural networks (PINNs) are neural networks that embed the laws of dynamical systems modeled by differential equations into their loss function as constraints. In this work, we present a PINN framework applied to oncology. Here, we seek to learn time-varying interactions due to a combination therapy in a tumor microenvironment. In oncology, experimental data are often sparse and composed of a few time points of tumor volume. By embedding inductive biases derived from prior information about a dynamical system, we extend the physics-informed neural networks (PINN) and incorporate observed biological constraints as regularization agents. The modified PINN algorithm is able to steer itself to a reasonable solution and can generalize well with only a few training examples. We demonstrate the merit of our approach by learning the dynamics of treatment applied intermittently in an ordinary differential equation (ODE) model of a combination therapy. The algorithm yields a solution to the ODE and time-varying forms of some of the ODE model parameters. We demonstrate a strong convergence using metrics such as the mean squared error (MSE), mean absolute error (MAE), and mean absolute percentage error (MAPE).
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、微分方程式によってモデル化された力学系の法則を、損失関数に制約として組み込むニューラルネットワークである。 本研究では,腫瘍学に応用したPINNフレームワークを提案する。 そこで我々は,腫瘍微小環境における併用療法による時間的相互作用の学習を目指す。 腫瘍学では、実験データはしばしばスパースであり、腫瘍の体積のいくつかの時点から構成される。 動的システムに関する事前情報から導かれる帰納バイアスを埋め込むことで、物理情報ニューラルネットワーク(PINN)を拡張し、観察された生物学的制約を正規化エージェントとして組み込む。 修正されたPINNアルゴリズムは、合理的なソリューションに自分自身を操り、いくつかのトレーニング例でうまく一般化することができる。 本研究では, 通常の微分方程式(ODE)モデルにおいて間欠的に適用される治療の力学を学習することにより, アプローチのメリットを実証する。 このアルゴリズムは、ODEモデルパラメータのいくつかの時間変化形式に対する解を生成する。 平均二乗誤差(MSE)、平均絶対誤差(MAE)、平均絶対パーセンテージ誤差(MAPE)などの指標を用いて強い収束を示す。

関連論文リスト

• Multi-Parameter Molecular MRI Quantification using Physics-Informed Self-Supervised Learning [0.0]
  常微分方程式(ODE)モデルを用いてパラメータ抽出逆問題の解法を提案する。 これは、数値ODEソルバをステップワイズ解析として機能させ、自動微分に基づく最適化と互換性を持たせることで実現される。 The neural-network-based train-by-fit pipeline was used to Quantify semisolid magnetization transfer (MT) and chemical exchange saturation transfer (CEST) amide proton exchange parameters in the human brain。
  論文  参考訳（メタデータ） (2024-11-10T12:40:33Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• 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)
• Cubature Kalman Filter Based Training of Hybrid Differential Equation Recurrent Neural Network Physiological Dynamic Models [13.637931956861758]
  ニューラルネットワーク近似を用いて、未知の常微分方程式を既知のODEで近似する方法を示す。 その結果、このRBSEによるNNパラメータのトレーニングは、バックプロパゲーションによるニューラルネットワークのトレーニングよりも優れた結果(測定/状態推定精度)が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-12T15:38:13Z)
• 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)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。