論文の概要: Dual Model Deep Learning for Alzheimer Prognostication

• arxiv url: http://arxiv.org/abs/2512.19099v1
• Date: Mon, 22 Dec 2025 07:08:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.652161
• Title: Dual Model Deep Learning for Alzheimer Prognostication
• Title（参考訳）: アルツハイマー予後のためのデュアルモデル深層学習
• Authors: Alireza Moayedikia, Sara Fin, Uffe Kock Wiil,
• Abstract要約: PROGRESSは単一の脳脊髄液バイオマーカー評価を実行可能な予後推定に変換する。 深層生存モデルでは、軽度認知障害から認知症への転換までの時間を推定する。 コックス比例リスク、ランダムサバイバルフォレスト、および生存予測のための勾配促進法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 4.970364068620607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disease modifying therapies for Alzheimer's disease demand precise timing decisions, yet current predictive models require longitudinal observations and provide no uncertainty quantification, rendering them impractical at the critical first visit when treatment decisions must be made. We developed PROGRESS (PRognostic Generalization from REsting Static Signatures), a dual-model deep learning framework that transforms a single baseline cerebrospinal fluid biomarker assessment into actionable prognostic estimates without requiring prior clinical history. The framework addresses two complementary clinical questions: a probabilistic trajectory network predicts individualized cognitive decline with calibrated uncertainty bounds achieving near-nominal coverage, enabling honest prognostic communication; and a deep survival model estimates time to conversion from mild cognitive impairment to dementia. Using data from over 3,000 participants across 43 Alzheimer's Disease Research Centers in the National Alzheimer's Coordinating Center database, PROGRESS substantially outperforms Cox proportional hazards, Random Survival Forests, and gradient boosting methods for survival prediction. Risk stratification identifies patient groups with seven-fold differences in conversion rates, enabling clinically meaningful treatment prioritization. Leave-one-center-out validation demonstrates robust generalizability, with survival discrimination remaining strong across held-out sites despite heterogeneous measurement conditions spanning four decades of assay technologies. By combining superior survival prediction with trustworthy trajectory uncertainty quantification, PROGRESS bridges the gap between biomarker measurement and personalized clinical decision-making.
• Abstract（参考訳）: アルツハイマー病に対する疾患修正療法は正確なタイミング決定を必要とするが、現在の予測モデルは縦断的な観察が必要であり、不確実な定量化は必要とせず、治療決定を下さなければならない場合の致命的な最初の訪問では実行不可能である。 ProGRESS(Proognostic Generalization from Resting Static Signatures)を開発した。これは,単一の脳脊髄液バイオマーカー評価を,術前臨床歴を必要とせず,実用的な予後推定に変換する2モデル深層学習フレームワークである。 このフレームワークは2つの相補的な臨床問題に対処する:確率的軌跡ネットワークは、ほぼノミナルなカバレッジを達成するための調整された不確実性境界で個別化された認知低下を予測し、正直な予後通信を可能にする。 国立アルツハイマー・コーディネート・センター(英語版)の43のアルツハイマー病研究センター(英語版)の3000人以上の参加者のデータを用いて、PROGRESSはコックス比例的ハザード、ランダム・サバイバル・フォレスト(英語版)、および生存予測のための勾配促進手法を著しく上回っている。 リスク階層化は、変換率に7倍の差がある患者群を特定し、臨床的に有意な治療優先順位付けを可能にする。 残留一点評価は、40年間のアッセイ技術にまたがる不均一な測定条件にもかかわらず、保持地全体での生存差別が強く、堅牢な一般化性を示す。 ProGRESSは、優れた生存予測と信頼できる軌道不確実性定量化を組み合わせることで、バイオマーカー測定とパーソナライズされた臨床意思決定のギャップを埋める。

関連論文リスト

• Uncertainty-Calibrated Prediction of Randomly-Timed Biomarker Trajectories with Conformal Bands [24.335811693519165]
  臨床データからバイオマーカー軌跡の不確実性判定のためのコンフォメーション手法を提案する。 提案手法は,非整合性スコアを用いたランダム時間軌道の設定に共形予測を拡張した。 アルツハイマー病の進行リスクの高い被験者を同定する上で, コンフォメーションバンドの臨床的有用性を示す。
  論文  参考訳（メタデータ） (2025-11-17T21:04:14Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• Dynamic Classification of Latent Disease Progression with Auxiliary Surrogate Labels [4.997489272248076]
  進化する健康情報に基づく疾患進展予測は、真の疾患状態が不明な場合に困難である。 我々は,主観的ラベルを用いた適応的前方回帰アルゴリズムを開発した。 漸近特性が確立され, 有限試料による顕著な改善が示された。
  論文  参考訳（メタデータ） (2024-12-11T04:14:15Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• From Group-Differences to Single-Subject Probability: Conformal Prediction-based Uncertainty Estimation for Brain-Age Modeling [0.0]
  脳年齢差は、障害全体にわたる脳変化の最も調査された危険マーカーの1つである。 我々は不確実性を考慮したディープニューラルネットワークと共形予測理論を組み合わせる。 我々はN=16,794人の被験者のサンプルで、最先端の大規模脳老化モデルとして低い誤差または同等の誤差を示す。 我々のモデルから得られた加速脳老化の確率は、アルツハイマー病、双極性障害、および大うつ病と関連している。
  論文  参考訳（メタデータ） (2023-02-10T15:05:09Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。