論文の概要: FalconBC: Flow matching for Amortized inference of Latent-CONditioned physiologic Boundary Conditions

• arxiv url: http://arxiv.org/abs/2603.19331v1
• Date: Wed, 18 Mar 2026 19:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.80552
• Title: FalconBC: Flow matching for Amortized inference of Latent-CONditioned physiologic Boundary Conditions
• Title（参考訳）: FalconBC: 潜伏型生理学的境界条件の償却推論のためのフローマッチング
• Authors: Chloe H. Choi, Alison L. Marsden, Daniele E. Schiavazzi,
• Abstract要約: 境界条件チューニングは、患者固有の心血管モデリングの基本的なステップである。 患者固有の解剖学の標的, 流入特徴, 点雲の埋め込みを治療する確率的フローに基づく一般償却推論フレームワークを提案する。 狭窄部位と重症度が異なる大動脈・腸間膜分岐術と冠状動脈枝の2つの患者特異的モデルに対するアプローチを実証した。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Boundary condition tuning is a fundamental step in patient-specific cardiovascular modeling. Despite an increase in offline training cost, recent methods in data-driven variational inference can efficiently estimate the joint posterior distribution of boundary conditions, with amortization of training efforts over clinical targets. However, even the most modern approaches fall short in two important scenarios: open-loop models with known mean flow and assumed waveform shapes, and anatomies affected by vascular lesions where segmentation influences the reachability of pressure or flow split targets. In both cases, boundary conditions cannot be tuned in isolation. We introduce a general amortized inference framework based on probabilistic flow that treats clinical targets, inflow features, and point cloud embeddings of patient-specific anatomies as either conditioning variables or quantities to be jointly estimated. We demonstrate the approach on two patient-specific models: an aorto-iliac bifurcation with varying stenosis locations and severity, and a coronary arterial tree.
• Abstract（参考訳）: 境界条件チューニングは、患者固有の心血管モデリングの基本的なステップである。 オフライントレーニングコストの増大にもかかわらず、データ駆動型変動推論の最近の手法は、臨床対象に対するトレーニング努力の償却とともに、境界条件の結合後部分布を効率的に推定することができる。 しかしながら、最も近代的なアプローチでさえ、既知の平均流と仮定波形形状を持つオープンループモデルと、セグメンテーションが圧力や流量分割目標の到達性に影響を与える血管病変による解剖の2つの重要なシナリオで不足する。 どちらの場合も、境界条件は単独では調整できない。 患者固有の解剖学の点雲埋め込みを条件付き変数または共同推定量として, 臨床ターゲット, 流入特徴, および点雲埋め込みを取り扱う確率的フローに基づく一般償却推論フレームワークを提案する。 狭窄部位と重症度が異なる大動脈・腸間膜分岐術と冠状動脈枝の2つの患者特異的モデルに対するアプローチを実証した。

関連論文リスト

• SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks [7.352227733654751]
  Kolmogorov-Arnold Networks (KAN) に基づく完全パラメトリック・時間連続生存モデルであるSurvKANを紹介する。 SurvKANは時間を、ログハザード関数を直接予測するkanへの明示的な入力として扱い、完全な生存可能性に関するエンドツーエンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-02-02T14:49:14Z)
• FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
  本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。 FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。 まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。 第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
  論文  参考訳（メタデータ） (2025-08-24T11:03:56Z)
• Multimodal Forecasting of Sparse Intraoperative Hypotension Events Powered by Language Model [14.69824092898171]
  術中低血圧 (IOH) は全身麻酔下で頻繁に発生し, 心筋損傷や死亡率の増加などの副作用と強く関連している。 その重要性にもかかわらず、IOH予測はイベントのばらつきと、さまざまな患者にまたがる静的データと動的データを統合することの難しさによって妨げられている。 スパース低血圧事象を正確に識別し識別する多モーダル言語モデルフレームワークである textbfIOHFuseLM を提案する。
  論文  参考訳（メタデータ） (2025-05-28T08:44:55Z)
• 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)
• A Probabilistic Neural Twin for Treatment Planning in Peripheral Pulmonary Artery Stenosis [1.8116671390518397]
  末梢肺動脈疾患における多発狭窄の修復への応用について検討した。 確率で問題を定式化し、サンプルベースのアプローチで解決する。 確率的リアルタイム処理計画のためのオフラインオフラインパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-12-01T14:54:17Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Geometric Uncertainty in Patient-Specific Cardiovascular Modeling with Convolutional Dropout Networks [0.0]
  患者固有の心血管モデルの条件分布からサンプルを生成する新しい手法を提案する。 提案手法で導入された主な革新は、トレーニングデータから直接幾何的不確実性を学ぶ能力である。
  論文  参考訳（メタデータ） (2020-09-16T00:13:12Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。