論文の概要: LLM enhanced graph inference for long-term disease progression modelling
- arxiv url: http://arxiv.org/abs/2511.10890v1
- Date: Fri, 14 Nov 2025 02:03:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.385932
- Title: LLM enhanced graph inference for long-term disease progression modelling
- Title（参考訳）: 長期疾患進行モデリングのためのLLM拡張グラフ推論
- Authors: Tiantian He, An Zhao, Elinor Thompson, Anna Schroder, Ahmed Abdulaal, Frederik Barkhof, Daniel C. Alexander,
- Abstract要約: 本稿では,地域変数の相互作用に関する専門家ガイドとして,MsLL(Large Language Models)を用いた新たなフレームワークを提案する。
アルツハイマー病コホートからのtau-PET画像データを用いて病理伝播を推定し,新しいアプローチを示す。
- 参考スコア（独自算出の注目度）: 11.745038114408395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the interactions between biomarkers among brain regions during neurodegenerative disease is essential for unravelling the mechanisms underlying disease progression. For example, pathophysiological models of Alzheimer's Disease (AD) typically describe how variables, such as regional levels of toxic proteins, interact spatiotemporally within a dynamical system driven by an underlying biological substrate, often based on brain connectivity. However, current methods grossly oversimplify the complex relationship between brain connectivity by assuming a single-modality brain connectome as the disease-spreading substrate. This leads to inaccurate predictions of pathology spread, especially during the long-term progression period. Meanhwile, other methods of learning such a graph in a purely data-driven way face the identifiability issue due to lack of proper constraint. We thus present a novel framework that uses Large Language Models (LLMs) as expert guides on the interaction of regional variables to enhance learning of disease progression from irregularly sampled longitudinal patient data. By leveraging LLMs' ability to synthesize multi-modal relationships and incorporate diverse disease-driving mechanisms, our method simultaneously optimizes 1) the construction of long-term disease trajectories from individual-level observations and 2) the biologically-constrained graph structure that captures interactions among brain regions with better identifiability. We demonstrate the new approach by estimating the pathology propagation using tau-PET imaging data from an Alzheimer's disease cohort. The new framework demonstrates superior prediction accuracy and interpretability compared to traditional approaches while revealing additional disease-driving factors beyond conventional connectivity measures.
- Abstract（参考訳）: 神経変性疾患における脳領域間のバイオマーカーの相互作用を理解することは、疾患進行のメカニズムを解明するために不可欠である。
例えば、アルツハイマー病(AD)の病態生理学的モデルでは、局所的な毒性タンパク質のレベルのような変数が、しばしば脳の接続性に基づいて、基礎となる生物学的基質によって駆動される動的システムの中で時空間的に相互作用する様子を記述している。
しかし、現在の方法では、単一モードの脳コネクトームを疾患拡散基質として仮定することで、脳接続の複雑な関係を大幅に単純化している。
これは、特に長期進行期において、病理学が拡散する不正確な予測につながる。
このようなグラフを純粋にデータ駆動で学習する他の方法は、適切な制約が欠如しているため、識別可能性の問題に直面します。
そこで我々は,地域変数の相互作用に関する専門家ガイドとしてLarge Language Models (LLMs) を用いて,不規則サンプル患者データからの疾患進行の学習を促進する新しいフレームワークを提案する。
マルチモーダルな関係を合成し,多様な病原性運転機構を組み込むLLMの能力を活用することにより,本手法は同時に最適化される。
1【個人レベルの観察から長期の病的軌跡の構築】
2) 生物学的に制約されたグラフ構造は, より識別性の良い脳領域間の相互作用を捉えている。
アルツハイマー病コホートからのtau-PET画像データを用いて病理伝播を推定し,新しいアプローチを示す。
この新しいフレームワークは従来のアプローチに比べて予測精度と解釈可能性に優れており、従来の接続性対策を超えて、さらに病気を駆除する要因を明らかにしている。
関連論文リスト
- Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。
本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。
VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文 参考訳（メタデータ） (2025-10-14T17:44:45Z) - Uncovering Alzheimer's Disease Progression via SDE-based Spatio-Temporal Graph Deep Learning on Longitudinal Brain Networks [18.54013631358448]
我々は、将来のアルツハイマー病(AD)の進行を予測するニューラルネットワークフレームワークを開発する。
筆者らの枠組みは, 地域的, 結合的重要性の低い確率を効果的に学習する。
以上の結果から,AD進行の早期・個別化予測における時間グラフ学習の可能性が示唆された。
論文 参考訳（メタデータ） (2025-09-26T01:02:34Z) - 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) - Multi-Scale Graph Theoretical Analysis of Resting-State fMRI for Classification of Alzheimer's Disease, Mild Cognitive Impairment, and Healthy Controls [0.0]
アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶喪失と認知低下を特徴とする神経変性疾患である。
ピアソンの相関のような伝統的な手法は相関行列を計算するために使われてきた。
本稿では、離散ウェーブレット変換(DWT)とグラフ理論を統合し、脳ネットワークの動的挙動をモデル化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-06T07:26:14Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Pathology Steered Stratification Network for Subtype Identification in
Alzheimer's Disease [7.594681424335177]
アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。
本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
論文 参考訳（メタデータ） (2022-10-12T02:52:00Z) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2020-12-22T13:20:23Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z) - 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。