論文の概要: Physics-informed self-supervised learning for predictive modeling of coronary artery digital twins

• arxiv url: http://arxiv.org/abs/2512.03055v1
• Date: Tue, 25 Nov 2025 15:01:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-04 20:02:54.916945
• Title: Physics-informed self-supervised learning for predictive modeling of coronary artery digital twins
• Title（参考訳）: 物理インフォームド・セルフ教師あり学習による冠状動脈デジタル双生児の予測モデル
• Authors: Xiaowu Sun, Thabo Mahendiran, Ortal Senouf, Denise Auberson, Bernard De Bruyne, Stephane Fournier, Olivier Muller, Pascal Frossard, Emmanuel Abbe, Dorina Thanou,
• Abstract要約: PINS-CADは物理情報を用いた自己教師型学習フレームワークである。 それは、20万の合成冠動脈デジタル双生児にグラフニューラルネットワークを事前訓練して、圧力と流れを予測する。 PINS-CADはAUCの0.73で将来の心血管イベントを予測し、臨床リスクスコアとデータ駆動ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 33.58746991219774
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cardiovascular disease is the leading global cause of mortality, with coronary artery disease (CAD) as its most prevalent form, necessitating early risk prediction. While 3D coronary artery digital twins reconstructed from imaging offer detailed anatomy for personalized assessment, their analysis relies on computationally intensive computational fluid dynamics (CFD), limiting scalability. Data-driven approaches are hindered by scarce labeled data and lack of physiological priors. To address this, we present PINS-CAD, a physics-informed self-supervised learning framework. It pre-trains graph neural networks on 200,000 synthetic coronary digital twins to predict pressure and flow, guided by 1D Navier-Stokes equations and pressure-drop laws, eliminating the need for CFD or labeled data. When fine-tuned on clinical data from 635 patients in the multicenter FAME2 study, PINS-CAD predicts future cardiovascular events with an AUC of 0.73, outperforming clinical risk scores and data-driven baselines. This demonstrates that physics-informed pretraining boosts sample efficiency and yields physiologically meaningful representations. Furthermore, PINS-CAD generates spatially resolved pressure and fractional flow reserve curves, providing interpretable biomarkers. By embedding physical priors into geometric deep learning, PINS-CAD transforms routine angiography into a simulation-free, physiology-aware framework for scalable, preventive cardiology.
• Abstract（参考訳）: 心臓血管疾患は、心臓動脈疾患(CAD)が最有力であり、早期のリスク予測を必要としている。 画像から再構成した3D冠動脈デジタル双生児は、パーソナライズされた評価のための詳細な解剖を提供するが、その分析は計算集約型計算流体力学(CFD)に依存し、スケーラビリティを制限している。 データ駆動のアプローチは、ラベル付きデータの不足と生理学的先行性の欠如によって妨げられている。 そこで本研究では,物理情報を用いた自己教師型学習フレームワークであるPINS-CADを提案する。 1D Navier-Stokes方程式と圧力-ドロップ法則によって導かれる圧力と流れを予測するために、20万の合成冠状双生児のグラフニューラルネットワークを事前訓練し、CFDやラベル付きデータを必要としない。 PINS-CADは、多施設FAME2研究における635人の患者の臨床データに基づいて、AUCの0.73で将来の心血管イベントを予測し、臨床リスクスコアとデータ駆動ベースラインを上回った。 これは、物理インフォームドプレトレーニングがサンプル効率を高め、生理学的に意味のある表現をもたらすことを示す。 さらに、PINS-CADは空間分解圧力と分数流量予備曲線を生成し、解釈可能なバイオマーカーを提供する。 物理先行情報を幾何学的深層学習に埋め込むことで、PINS-CADは定期的な血管造影を、スケーラブルで予防的な心臓病治療のためのシミュレーション不要な生理学対応のフレームワークに変換する。

関連論文リスト

• KAT-GNN: A Knowledge-Augmented Temporal Graph Neural Network for Risk Prediction in Electronic Health Records [0.0]
  KAT-GNNは、リスク予測のための臨床知識と時間ダイナミクスを統合するグラフベースのフレームワークである。 本研究は,Chang Gung Research Database (CGRD) を用いた冠状動脈疾患(CAD)予測とMIMIC-IIIおよびMIMIC-IVデータセットを用いた院内死亡予測の3つのデータセットおよび課題について評価した。
  論文  参考訳（メタデータ） (2025-11-03T05:42:04Z)
• HeartUnloadNet: A Weakly-Supervised Cycle-Consistent Graph Network for Predicting Unloaded Cardiac Geometry from Diastolic States [0.0]
  エンドダイアストリック(ED)メッシュから直接、非負荷左室形状を予測するディープラーニングフレームワークであるHeartUnloadNetを導入する。 HeartUnloadNet は、平均 DSC 0.986 と HD 0.083 cm のサブミリ秒精度を実現し、推論時間を1ケースあたり 0.02 秒に短縮する。
  論文  参考訳（メタデータ） (2025-07-24T14:31:35Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Patient-Specific Dynamic Digital-Physical Twin for Coronary Intervention Training: An Integrated Mixed Reality Approach [33.92599418560439]
  既存のトレーニングシステムは、心臓生理学の正確なシミュレーションを欠いている。 本研究は4D-CTAに基づく総合的動的心モデル研究フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-05-16T06:13:55Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Machine-Learning Identification of Hemodynamics in Coronary Arteries in the Presence of Stenosis [0.0]
  人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。 モデルの有効性を3つの実測値を用いて検証した。
  論文  参考訳（メタデータ） (2021-11-02T23:51:06Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• 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。