論文の概要: CBINNS: Cancer Biology-Informed Neural Network for Unknown Parameter Estimation and Missing Physics Identification

• arxiv url: http://arxiv.org/abs/2510.17920v1
• Date: Mon, 20 Oct 2025 04:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.349698
• Title: CBINNS: Cancer Biology-Informed Neural Network for Unknown Parameter Estimation and Missing Physics Identification
• Title（参考訳）: CBINNS:未知のパラメータ推定とミス物理同定のための癌生物学インフォームドニューラルネットワーク
• Authors: Bishal Chhetri, B. V. Rathish Kumar,
• Abstract要約: 複雑な腫瘍微小環境における腫瘍免疫相互作用の力学は、通常の微分方程式や偏微分方程式の系を用いてモデル化される。 本研究では, 方程式系の未知のパラメータを推定するために, 癌生物学インフォームドニューラルネットワークモデルを開発した。
• 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: The dynamics of tumor-immune interactions within a complex tumor microenvironment are typically modeled using a system of ordinary differential equations or partial differential equations. These models introduce some unknown parameters that need to be estimated accurately and efficiently from the limited and noisy experimental data. Moreover, due to the intricate biological complexity and limitations in experimental measurements, tumor-immune dynamics are not fully understood, and therefore, only partial knowledge of the underlying physics may be available, resulting in unknown or missing terms within the system of equations. In this study, we develop a cancer biology-informed neural network model(CBINN) to infer the unknown parameters in the system of equations as well as to discover the missing physics from sparse and noisy measurements. We test the performance of the CBINN model on three distinct nonlinear compartmental tumor-immune models and evaluate its robustness across multiple synthetic noise levels. By harnessing these highly nonlinear dynamics, our CBINN framework effectively estimates the unknown model parameters and uncovers the underlying physical laws or mathematical structures that govern these biological systems, even from scattered and noisy measurements. The models chosen here represent the dynamic patterns commonly observed in compartmental models of tumor-immune interactions, thereby validating the generalizability and efficacy of our methodology.
• Abstract（参考訳）: 複雑な腫瘍の微小環境における腫瘍免疫相互作用の力学は、通常微分方程式や偏微分方程式の系を用いてモデル化される。 これらのモデルは、限られた、ノイズの多い実験データから正確かつ効率的に推定する必要がある未知のパラメータをいくつか導入する。 さらに、複雑な生物学的複雑さと実験的な測定の限界のため、腫瘍免疫学は十分に理解されておらず、基礎となる物理に関する部分的な知識のみが利用可能であり、結果として方程式系内の未知の項や欠落項が生じる可能性がある。 本研究では, 方程式系の未知パラメータを推定し, スパースおよびノイズ測定から欠落した物理を発見するために, 癌生物学インフォームドニューラルネットワークモデル(CBINN)を開発した。 我々は,CBINNモデルを3つの異なる非線形区画状腫瘍免疫モデルで評価し,その頑健さを複数の合成ノイズレベルにわたって評価した。 我々のCBINNフレームワークは、これらの高非線形ダイナミクスを活用することで、未知のモデルパラメータを効果的に推定し、散らばってもノイズの多い測定結果から、これらの生物学的システムを管理する基礎となる物理法則や数学的構造を明らかにする。 ここで選択されたモデルは,腫瘍免疫相互作用の包括的モデルでよく見られる動的パターンを表現し,本手法の一般化可能性と有効性を検証する。

関連論文リスト

• Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-15T11:28:18Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Generative Modeling of Neural Dynamics via Latent Stochastic Differential Equations [1.5467259918426441]
  本稿では,生体神経系の計算モデル構築のためのフレームワークを提案する。 我々は、微分ドリフトと拡散関数を持つ結合微分方程式系を用いる。 これらのハイブリッドモデルは,刺激によって誘発される神経および行動応答の予測において,競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2024-12-01T09:36:03Z)
• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• 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)
• 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)
• 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。