論文の概要: Dynamic causal discovery in Alzheimer's disease through latent pseudotime modelling

• arxiv url: http://arxiv.org/abs/2511.04619v1
• Date: Thu, 06 Nov 2025 18:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.553039
• Title: Dynamic causal discovery in Alzheimer's disease through latent pseudotime modelling
• Title（参考訳）: 潜在性擬似時間モデリングによるアルツハイマー病の動的因果発見
• Authors: Natalia Glazman, Jyoti Mangal, Pedro Borges, Sebastien Ourselin, M. Jorge Cardoso,
• Abstract要約: そこで本研究では,従来の潜伏変数モデルを現実のアルツハイマー病データに適用し,慢性期とは無関係にデータ駆動性疾患の軌跡に沿って患者に指示する擬似時刻を推定する。 本稿では,新しいマーカーと確立されたADマーカーとの動的相互作用を明らかにする。
• 参考スコア（独自算出の注目度）: 1.1222071637855076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of causal discovery to diseases like Alzheimer's (AD) is limited by the static graph assumptions of most methods; such models cannot account for an evolving pathophysiology, modulated by a latent disease pseudotime. We propose to apply an existing latent variable model to real-world AD data, inferring a pseudotime that orders patients along a data-driven disease trajectory independent of chronological age, then learning how causal relationships evolve. Pseudotime outperformed age in predicting diagnosis (AUC 0.82 vs 0.59). Incorporating minimal, disease-agnostic background knowledge substantially improved graph accuracy and orientation. Our framework reveals dynamic interactions between novel (NfL, GFAP) and established AD markers, enabling practical causal discovery despite violated assumptions.
• Abstract（参考訳）: アルツハイマー病(AD)のような疾患への因果発見の応用は、ほとんどの方法の静的グラフ仮定によって制限される。 実世界のADデータに既存の潜伏変数モデルを適用し、時系列年齢に依存しないデータ駆動型疾患軌跡に沿って患者に指示する擬似時刻を推定し、因果関係の進化を学習する。 診断予測年齢(AUC 0.82 vs 0.59)は偽時間より優れていた。 最小限の疾患に依存しない背景知識を取り入れることで、グラフの精度と向きが大幅に向上した。 提案手法は, 新規(NfL, GFAP)と確立されたADマーカーとの動的相互作用を明らかにする。

関連論文リスト

• 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)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。 与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。 本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
  論文  参考訳（メタデータ） (2024-03-11T17:26:18Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Benchmarking Continuous Time Models for Predicting Multiple Sclerosis Progression [46.394865849252696]
  多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。 最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。 公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。 最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
  論文  参考訳（メタデータ） (2023-02-15T18:45:32Z)
• Learning transition times in event sequences: the Event-Based Hidden Markov Model of disease progression [4.12857285066818]
  我々は、イベントベースと隠れマルコフモデリングのアイデアを結びつけて、疾患進行の新しい生成モデルを作成する。 我々のモデルは、限られたデータセットから最も可能性の高いグループレベルのシーケンスとイベントのタイミングを推測することができる。 我々は,アルツハイマー病神経画像イニシアチブの臨床的,画像的,バイオ流体的データを用いて,我々のモデルの有効性と有用性を実証した。
  論文  参考訳（メタデータ） (2020-11-02T15:13:03Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)
• 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。