論文の概要: Disease Progression and Subtype Modeling for Combined Discrete and Continuous Input Data

• arxiv url: http://arxiv.org/abs/2602.22018v1
• Date: Wed, 25 Feb 2026 15:31:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.884646
• Title: Disease Progression and Subtype Modeling for Combined Discrete and Continuous Input Data
• Title（参考訳）: 離散データと連続入力データを組み合わせた疾患進展とサブタイプモデリング
• Authors: Sterre de Jonge, Elisabeth J. Vinke, Meike W. Vernooij, Daniel C. Alexander, Alexandra L. Young, Esther E. Bron,
• Abstract要約: 本稿では、離散データ型と連続データ型の両方を扱う新しい疾患進行モデルを提案する。 アルツハイマー病神経画像イニシアチブのシミュレーション実験と実世界データによるMixed-SuStaInの有効性を実証した。
• 参考スコア（独自算出の注目度）: 37.93788591991097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disease progression modeling provides a robust framework to identify long-term disease trajectories from short-term biomarker data. It is a valuable tool to gain a deeper understanding of diseases with a long disease trajectory, such as Alzheimer's disease. A key limitation of most disease progression models is that they are specific to a single data type (e.g., continuous data), thereby limiting their applicability to heterogeneous, real-world datasets. To address this limitation, we propose the Mixed Events model, a novel disease progression model that handles both discrete and continuous data types. This model is implemented within the Subtype and Stage Inference (SuStaIn) framework, resulting in Mixed-SuStaIn, enabling subtype and progression modeling. We demonstrate the effectiveness of Mixed-SuStaIn through simulation experiments and real-world data from the Alzheimer's Disease Neuroimaging Initiative, showing that it performs well on mixed datasets. The code is available at: https://github.com/ucl-pond/pySuStaIn.
• Abstract（参考訳）: 疾患進行モデリングは、短期バイオマーカーデータから長期的な疾患軌跡を識別するための堅牢なフレームワークを提供する。 アルツハイマー病のような長い疾患の軌跡を持つ病気をより深く理解するための貴重な道具である。 ほとんどの疾患進行モデルのキーとなる制限は、単一のデータタイプ(例えば、連続データ)に特化しているため、異質な実世界のデータセットに適用性を制限することである。 この制限に対処するために、離散データ型と連続データ型の両方を扱う新しい疾患進行モデルであるMixed Eventsモデルを提案する。 このモデルはSubtype and Stage Inference(SuStaIn)フレームワークで実装されており、Mixed-SuStaInによってサブタイプとプログレッションモデリングが可能になる。 The Alzheimer's Disease Neuroimaging Initiativeのシミュレーション実験と実世界のデータを通してMixed-SuStaInの有効性を実証し、混合データセット上での良好な性能を示す。 コードは、https://github.com/ucl-pond/pySuStaIn.comで入手できる。

関連論文リスト

• Bayesian Event-Based Model for Disease Subtype and Stage Inference [1.2318267573115809]
  サブタイプおよびステージ推論イベントベースモデル(SuStaIn)は、多くの疾患のサブタイプを明らかにするために広く応用されている。 本研究では,イベントベースモデル(BEBMS)のベイズ的サブタイプを考案し,その性能をSuStaInと比較する。 StaInよりBEBMSはアルツハイマー病の進行に関する科学的コンセンサスと一致している。
  論文  参考訳（メタデータ） (2025-12-03T05:45:16Z)
• MeDi: Metadata-Guided Diffusion Models for Mitigating Biases in Tumor Classification [13.350688594462214]
  本稿では,このようなメタデータを生成拡散モデルフレームワーク(MeDi)に明示的にモデル化する手法を提案する。 MeDiは、不足しているサブ集団を合成データで対象とする拡張を可能にする。 TCGAの未確認サブポピュレーションに対して,MeDiが高品質な病理像を生成することを実験的に示す。
  論文  参考訳（メタデータ） (2025-06-20T16:41:25Z)
• 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)
• Time-dependent Probabilistic Generative Models for Disease Progression [0.0]
  医療イベント間の不規則な時間間隔をモデル化するためのマルコフ的治療生成モデルを提案する。 予測最大化アルゴリズムを用いてモデルを学習し,動的プログラミング法を用いて効率よく解法する。
  論文  参考訳（メタデータ） (2023-11-15T21:00:00Z)
• Benchmarking Continuous Time Models for Predicting Multiple Sclerosis Progression [46.394865849252696]
  多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。 最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。 公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。 最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
  論文  参考訳（メタデータ） (2023-02-15T18:45:32Z)
• Temporal Clustering with External Memory Network for Disease Progression Modeling [8.015263440307631]
  疾患進行モデリング(DPM)は、特定の疾患の進行の重症度を定量的に測定するために数学的枠組みを使用する。 DPMは、健康状態の予測、疾患ステージの分類、疾患軌跡の評価など、多くの点で有用である。
  論文  参考訳（メタデータ） (2021-09-29T02:32:06Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)
• Learning transition times in event sequences: the Event-Based Hidden Markov Model of disease progression [4.12857285066818]
  我々は、イベントベースと隠れマルコフモデリングのアイデアを結びつけて、疾患進行の新しい生成モデルを作成する。 我々のモデルは、限られたデータセットから最も可能性の高いグループレベルのシーケンスとイベントのタイミングを推測することができる。 我々は,アルツハイマー病神経画像イニシアチブの臨床的,画像的,バイオ流体的データを用いて,我々のモデルの有効性と有用性を実証した。
  論文  参考訳（メタデータ） (2020-11-02T15:13:03Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。