論文の概要: Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting
- arxiv url: http://arxiv.org/abs/2511.04789v1
- Date: Thu, 06 Nov 2025 20:16:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-10 21:00:44.577974
- Title: Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting
- Title（参考訳）: 経時的パーキンソン病進展予測のための条件付きニューラルヌクレオチド
- Authors: Xiaoda Wang, Yuji Zhao, Kaiqiao Han, Xiao Luo, Sanne van Rooij, Jennifer Stevens, Lifang He, Liang Zhan, Yizhou Sun, Wei Wang, Carl Yang,
- Abstract要約: パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。
これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。
連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
- 参考スコア（独自算出の注目度）: 51.906871559732245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Parkinson's disease (PD) shows heterogeneous, evolving brain-morphometry patterns. Modeling these longitudinal trajectories enables mechanistic insight, treatment development, and individualized 'digital-twin' forecasting. However, existing methods usually adopt recurrent neural networks and transformer architectures, which rely on discrete, regularly sampled data while struggling to handle irregular and sparse magnetic resonance imaging (MRI) in PD cohorts. Moreover, these methods have difficulty capturing individual heterogeneity including variations in disease onset, progression rate, and symptom severity, which is a hallmark of PD. To address these challenges, we propose CNODE (Conditional Neural ODE), a novel framework for continuous, individualized PD progression forecasting. The core of CNODE is to model morphological brain changes as continuous temporal processes using a neural ODE model. In addition, we jointly learn patient-specific initial time and progress speed to align individual trajectories into a shared progression trajectory. We validate CNODE on the Parkinson's Progression Markers Initiative (PPMI) dataset. Experimental results show that our method outperforms state-of-the-art baselines in forecasting longitudinal PD progression.
- Abstract（参考訳）: パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。
これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。
しかしながら、既存の手法は通常、PDコホート内の不規則でスパースな磁気共鳴イメージング(MRI)を扱うのに苦労しながら、離散的な定期的にサンプリングされたデータに依存するリカレントニューラルネットワークとトランスフォーマーアーキテクチャを採用する。
さらに、これらの手法は、PDの指標である疾患発症、進行率、症状重症度の変化を含む、個々の不均一性を捉えるのが困難である。
これらの課題に対処するため、我々は連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODE(Conditional Neural ODE)を提案する。
CNODEのコアは、ニューラル・ODEモデルを用いて、形態的脳変化を連続的な時間過程としてモデル化することである。
さらに、患者固有の初期時間と進行速度を共同で学習し、個々の軌跡を共有進行軌跡に整列させる。
我々は、Parkinson's Progression Markers Initiative (PPMI)データセット上でCNODEを検証する。
実験の結果,本手法は長手PD進行の予測において,最先端のベースラインよりも優れていた。
関連論文リスト
- Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。
本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-13T14:42:46Z) - A Stage-Aware Mixture of Experts Framework for Neurodegenerative Disease Progression Modelling [6.577465893404979]
神経変性疾患の長期進行はグラフ拡散過程として一般的に概念化されている。
そこで本研究では,異なるコントリビューション機構が病期においてどのように支配されているかを明確にモデル化する,新たな段階認識型混合エキスパートフレームワークを提案する。
IGND-MoEモデルは、これらの成分を時間的状態にわたって動的に統合し、ステージ特異的な病理機構が進行にどのように寄与するかを理解するための原則化された方法を提供する。
論文 参考訳（メタデータ） (2025-08-09T16:09:00Z) - Advancing Parkinson's Disease Progression Prediction: Comparing Long Short-Term Memory Networks and Kolmogorov-Arnold Networks [1.9022387674252539]
パーキンソン病(英: Parkinson's Disease、PD)は、運動機能と非運動機能を障害する変性神経疾患である。
しかし、現在の診断方法は、しばしば費用がかかり、時間がかかり、専門的な機器や専門知識が必要になる。
本研究では,回帰手法,LSTM(Long Short-Term Memory)ネットワーク,KAN(Kolmogorov Arnold Networks)を用いてPD進行を予測する革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-12-30T06:36:05Z) - Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文 参考訳（メタデータ） (2024-12-30T01:59:34Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳（メタデータ） (2023-12-28T10:30:54Z) - 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) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - 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。