論文の概要: Joint Progression Modeling (JPM): A Probabilistic Framework for Mixed-Pathology Progression

• arxiv url: http://arxiv.org/abs/2512.03475v1
• Date: Wed, 03 Dec 2025 06:02:32 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:57:51.746611
• Title: Joint Progression Modeling (JPM): A Probabilistic Framework for Mixed-Pathology Progression
• Title（参考訳）: 複合進行モデリング(JPM) : 混合パスロジー進歩のための確率的枠組み
• Authors: Hongtao Hao, Joseph L. Austerweil,
• Abstract要約: 本稿では,単相軌跡を部分的ランク付けとして扱う確率的フレームワークであるジョイント・プログレクション・モデル(JPM)を紹介する。 合成実験では、JPMは強いEMMベースラインよりも約21%精度が向上する。
• 参考スコア（独自算出の注目度）: 1.2318267573115809
• License:
• Abstract: Event-based models (EBMs) infer disease progression from cross-sectional data, and standard EBMs assume a single underlying disease per individual. In contrast, mixed pathologies are common in neurodegeneration. We introduce the Joint Progression Model (JPM), a probabilistic framework that treats single-disease trajectories as partial rankings and builds a prior over joint progressions. We study several JPM variants (Pairwise, Bradley-Terry, Plackett-Luce, and Mallows) and analyze three properties: (i) calibration -- whether lower model energy predicts smaller distance to the ground truth ordering; (ii) separation -- the degree to which sampled rankings are distinguishable from random permutations; and (iii) sharpness -- the stability of sampled aggregate rankings. All variants are calibrated, and all achieve near-perfect separation; sharpness varies by variant and is well-predicted by simple features of the input partial rankings (number and length of rankings, conflict, and overlap). In synthetic experiments, JPM improves ordering accuracy by roughly 21 percent over a strong EBM baseline (SA-EBM) that treats the joint disease as a single condition. Finally, using NACC, we find that the Mallows variant of JPM and the baseline model (SA-EBM) have results that are more consistent with prior literature on the possible disease progression of the mixed pathology of AD and VaD.
• Abstract（参考訳）: イベントベースモデル(EBM)は、横断的なデータから病気の進行を推測し、標準のESMは個人ごとに単一の基礎疾患を仮定する。 対照的に、混合病理は神経変性において一般的である。 本稿では, 単相軌道を部分的ランク付けとして扱う確率的フレームワークであるジョイント・プログレクション・モデル(JPM)を紹介する。 いくつかの JPM 変種 (Pairwise, Bradley-Terry, Plackett-Luce, Mallows) を研究し、3つの性質を解析する。 (i)キャリブレーション -- 低いモデルエネルギーが地上の真理順序よりも小さい距離を予測するか否か。 (ii)分離 --サンプリングされたランクがランダムな置換と区別できる程度 (iii)シャープネス -- サンプル集計ランキングの安定性。 すべての変種は校正され、ほぼ完全な分離が達成され、鋭さは変種によって変化し、入力された部分ランク(ランキングの数と長さ、衝突、重複)の単純な特徴によって予測される。 合成実験では、JPMは、関節疾患を単一の状態として扱う強力なEMMベースライン(SA-EBM)よりも約21%のオーダー精度を向上する。 最後に、NACCを用いて、JPMのMallows変異とベースラインモデル(SA-EBM)が、ADとVaDの混在する疾患の進行に関する先行文献とより整合した結果をもたらすことを発見した。

関連論文リスト

• MEGAN: Mixture of Experts for Robust Uncertainty Estimation in Endoscopy Videos [2.969789372985515]
  我々は,複数のAI専門家による不確実性推定と予測を集約するマルチエキスパートゲーティングネットワークMEGANを提案する。 MEGANのゲーティングネットワークは、それぞれのEDLモデルからの予測と不確実性を最適に組み合わせ、全体的な予測信頼性とキャリブレーションを高める。 大規模な潰瘍性大腸炎(UC)臨床試験では、MEGANは既存の方法に比べてF1スコアが3.5%改善し、予想エラー(ECE)が30.5%減少した。
  論文  参考訳（メタデータ） (2025-09-16T07:42:01Z)
• STEM Rebalance: A Novel Approach for Tackling Imbalanced Datasets using SMOTE, Edited Nearest Neighbour, and Mixup [0.20482269513546458]
  医用画像における非バランスなデータセットは、スクイードクラスの割合と異常な症例の不足によって特徴づけられる。 本稿では,Mixup Augmentation を用いて新たなデータポイントを汎用的なビジナル分布として生成する可能性について検討する。 不均衡なデータセットが一般的である乳癌の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2023-11-13T17:45:28Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
  混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。 実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
  論文  参考訳（メタデータ） (2022-06-09T13:06:51Z)
• Robust Hierarchical Patterns for identifying MDD patients: A Multisite Study [3.4561220135252264]
  大うつ病(MDD)のバイオマーカーとしての階層的スパース接続パターン(h SCP)について検討する。 我々は、静止状態fMRIデータから抽出した機能的接続行列からMDD患者を予測するためのh SCPに基づく新しいモデルを提案する。 本研究の結果は,多様性が予測性能に与える影響を示し,多様性を低減し,コンポーネントの予測・一般化能力を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-22T19:40:32Z)

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。