論文の概要: Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data

• arxiv url: http://arxiv.org/abs/2511.20154v1
• Date: Tue, 25 Nov 2025 10:28:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.402611
• Title: Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data
• Title（参考訳）: 不規則サンプリング縦断データのマニフォールドマッピングに基づくアルツハイマー病進展予測
• Authors: Xin Hong, Ying Shi, Yinhao Li, Yen-Wei Chen,
• Abstract要約: アルツハイマー病(AD)の進行は、不規則にサンプリングされた縦型磁気共鳴画像(sMRI)データからモデル化される。 提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。 提案手法は,病状予測と認知スコア回帰の両面で,最先端モデルよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 12.210689327265072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The uncertainty of clinical examinations frequently leads to irregular observation intervals in longitudinal imaging data, posing challenges for modeling disease progression.Most existing imaging-based disease prediction models operate in Euclidean space, which assumes a flat representation of data and fails to fully capture the intrinsic continuity and nonlinear geometric structure of irregularly sampled longitudinal images. To address the challenge of modeling Alzheimers disease (AD) progression from irregularly sampled longitudinal structural Magnetic Resonance Imaging (sMRI) data, we propose a Riemannian manifold mapping, a Time-aware manifold Neural ordinary differential equation, and an Attention-based riemannian Gated recurrent unit (R-TNAG) framework. Our approach first projects features extracted from high-dimensional sMRI into a manifold space to preserve the intrinsic geometry of disease progression. On this representation, a time-aware Neural Ordinary Differential Equation (TNODE) models the continuous evolution of latent states between observations, while an Attention-based Riemannian Gated Recurrent Unit (ARGRU) adaptively integrates historical and current information to handle irregular intervals. This joint design improves temporal consistency and yields robust AD trajectory prediction under irregular sampling.Experimental results demonstrate that the proposed method consistently outperforms state-of-the-art models in both disease status prediction and cognitive score regression. Ablation studies verify the contributions of each module, highlighting their complementary roles in enhancing predictive accuracy. Moreover, the model exhibits stable performance across varying sequence lengths and missing data rates, indicating strong temporal generalizability. Cross-dataset validation further confirms its robustness and applicability in diverse clinical settings.
• Abstract（参考訳）: 臨床検査の不確実性は, 経時的画像データに不規則な観察間隔を伴い, 疾患進行をモデル化するための課題を呈するが, 既存の画像ベース疾患予測モデルの多くはユークリッド空間で運用されており, データの平坦な表現を前提としており, 不規則サンプル画像の本質的連続性と非線形幾何構造を完全に捉えることができない。 本研究では,不規則にサンプリングされた縦構造型磁気共鳴イメージング(sMRI)データからアルツハイマー病(AD)進行をモデル化することの課題に対処するため,リーマン多様体マッピング,時間対応多様体ニューラル常微分方程式,およびアテンションベースリエマンGated Recurrent Unit(R-TNAG)フレームワークを提案する。 提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。 この表現では、TNODE (Time-aware Neural Ordinary Differential Equation) は観測間の潜時状態の連続的な進化をモデル化し、Attention-based Riemannian Gated Recurrent Unit (ARGRU) は不規則区間を扱うために歴史的および現在の情報を適応的に統合する。 この共同設計は、時間的整合性を改善し、不規則サンプリングの下で頑健なAD軌道予測をもたらす。 アブレーション研究は各モジュールの寄与を検証し、予測精度を高めるための相補的な役割を強調している。 さらに、このモデルは、様々なシーケンス長とデータレートの欠如にまたがって安定した性能を示し、時間的一般化性が強いことを示す。 クロスデータセット検証は、様々な臨床環境での堅牢性と適用性をさらに確認する。

関連論文リスト

• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  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。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• 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)
• Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
  本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。 具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。 有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
  論文  参考訳（メタデータ） (2025-07-11T03:11:15Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Deep Geometric Learning with Monotonicity Constraints for Alzheimer's Disease Progression [8.923442084735075]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、進行性および不可逆性認知症に先行する破壊的な神経変性疾患である。 深層学習に基づくデータバリアビリティと空間性に関するアプローチは、本質的に幾何学的性質についてはまだ検討されていない。 本研究では,縦型MRIバイオマーカーと認知スコアをモデル化した新しい幾何学的学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-05T07:14:34Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)

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。