論文の概要: Learning Patient-Specific Disease Dynamics with Latent Flow Matching for Longitudinal Imaging Generation
- arxiv url: http://arxiv.org/abs/2512.09185v2
- Date: Sat, 13 Dec 2025 14:47:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 15:10:29.148628
- Title: Learning Patient-Specific Disease Dynamics with Latent Flow Matching for Longitudinal Imaging Generation
- Title（参考訳）: 縦型画像生成のための潜時流マッチングを用いた患者特異的疾患ダイナミクスの学習
- Authors: Hao Chen, Rui Yin, Yifan Chen, Qi Chen, Chao Li,
- Abstract要約: 疾患の進行を理解することは、早期診断とパーソナライズされた治療に影響を及ぼす中心的な臨床課題である。
本稿では,この病気の動態を速度場として扱い,フローマッチング(FM)を活用して患者の時間的変化を一致させることを提案する。
患者固有の潜伏進行をフローマッチングでモデル化するためのフレームワークである$-LFMを提示する。
- 参考スコア（独自算出の注目度）: 17.33607122354623
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Understanding disease progression is a central clinical challenge with direct implications for early diagnosis and personalized treatment. While recent generative approaches have attempted to model progression, key mismatches remain: disease dynamics are inherently continuous and monotonic, yet latent representations are often scattered, lacking semantic structure, and diffusion-based models disrupt continuity with random denoising process. In this work, we propose to treat the disease dynamic as a velocity field and leverage Flow Matching (FM) to align the temporal evolution of patient data. Unlike prior methods, it captures the intrinsic dynamic of disease, making the progression more interpretable. However, a key challenge remains: in latent space, Auto-Encoders (AEs) do not guarantee alignment across patients or correlation with clinical-severity indicators (e.g., age and disease conditions). To address this, we propose to learn patient-specific latent alignment, which enforces patient trajectories to lie along a specific axis, with magnitude increasing monotonically with disease severity. This leads to a consistent and semantically meaningful latent space. Together, we present $Δ$-LFM, a framework for modeling patient-specific latent progression with flow matching. Across three longitudinal MRI benchmarks, $Δ$-LFM demonstrates strong empirical performance and, more importantly, offers a new framework for interpreting and visualizing disease dynamics.
- Abstract（参考訳）: 疾患の進行を理解することは、早期診断とパーソナライズされた治療に直接的な意味を持つ中心的な臨床課題である。
病気のダイナミクスは本質的に連続的で単調であるが、潜伏表現はしばしば散在し、意味構造が欠如しており、拡散に基づくモデルはランダムな認知過程による連続性を阻害する。
本研究では,この病気の動態を速度場として扱い,フローマッチング(FM)を活用して患者の時間的変化を一致させることを提案する。
従来の方法とは異なり、本質的な疾患のダイナミクスを捉え、進行をより解釈できる。
しかし、重要な課題は、潜伏空間において、患者間のアライメントや臨床重症度指標(例えば、年齢、疾患状態)との相関を保証しないオートエンコーダ(AE)である。
そこで本研究では,患者が特定の軸に沿って横たわるよう強制する患者特異的潜伏アライメントの学習を提案する。
これにより、一貫した意味的に意味のある潜在空間が生まれる。
本稿では,患者固有の潜伏進行をフローマッチングでモデル化するフレームワークである$Δ$-LFMを紹介する。
3つの縦型MRIベンチマークで、$Δ$-LFMは強い経験的パフォーマンスを示し、さらに重要なのは、病気のダイナミクスの解釈と可視化のための新しいフレームワークを提供する。
関連論文リスト
- CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。
時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
論文 参考訳（メタデータ） (2025-12-08T20:42:10Z) - Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data [12.210689327265072]
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。
論文 参考訳（メタデータ） (2025-11-25T10:28:37Z) - 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) - Temporally Detailed Hypergraph Neural ODEs for Type 2 Diabetes Progression Modeling [14.111509829509243]
疾患進行モデリングは、患者の合併症が時間とともにどのように悪化するかを特徴づけ、予測することを目的としている。
この問題は、進行パターンの継続的な時間的ダイナミクスを学ぶ必要があるため、難しい。
既存の機械的およびデータ駆動の手法は、現実世界のデータから学ぶ適応性を欠いているか、進行軌道上の複雑な連続時間ダイナミクスを捉えていないかのいずれかである。
論文 参考訳（メタデータ） (2025-10-20T06:54:29Z) - Multimodal Disease Progression Modeling via Spatiotemporal Disentanglement and Multiscale Alignment [16.824692012617334]
$textttDiPro$は、リージョン対応のアンタングルメントとマルチタイムアライメントによる課題に対処する新しいフレームワークである。
MIMICデータセットの実験では、$textttDiPro$が時間的臨床的ダイナミクスを効果的に抽出できることが示されている。
論文 参考訳（メタデータ） (2025-10-13T08:02:36Z) - Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。
本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
論文 参考訳（メタデータ） (2025-04-20T01:54:18Z) - 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) - Multi-level Phenotypic Models of Cardiovascular Disease and Obstructive Sleep Apnea Comorbidities: A Longitudinal Wisconsin Sleep Cohort Study [5.129044301709751]
閉塞性睡眠時無呼吸症候群(OSA)患者における心血管疾患(CVD)の意義
従来のモデルでは、OSA患者のCVD軌跡を正確に予測するために必要な動的および縦方向のスコープが欠如している。
本研究では,ウィスコンシン・スリープ・コーホートのデータを利用して,これらの状態の進行と相互作用を時間とともに解析する,新しい多段階表現型モデルを提案する。
論文 参考訳（メタデータ） (2024-06-19T04:50:16Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - 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。