論文の概要: Beyond Patient Invariance: Learning Cardiac Dynamics via Action-Conditioned JEPAs

• arxiv url: http://arxiv.org/abs/2604.22618v1
• Date: Fri, 24 Apr 2026 14:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.507671
• Title: Beyond Patient Invariance: Learning Cardiac Dynamics via Action-Conditioned JEPAs
• Title（参考訳）: 患者の不変性を超えて:Action-Conditioned JEPAsによる心臓のダイナミクスの学習
• Authors: Jose Geraldo Fernandes, Luiz Facury, Pedro Robles Dutenhefner, Wagner Meira,
• Abstract要約: 本稿では,疾患進行のダイナミクスをシミュレートするアクション・コンディションド・ワールド・モデルへのシフトを提案する。 疾患発生後の心の電気生理学的状態を予測することによって,本モデルは動的病理力から安定な解剖学的特徴をはっきりと切り離すことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning in healthcare has largely relied on invariance-based objectives, which maximize similarity between different views of the same patient. While effective for static anatomy, this paradigm is fundamentally misaligned with clinical diagnosis, as it mathematically compels the model to suppress the transient pathological changes it is intended to detect. We propose a shift towards Action-Conditioned World Models that learn to simulate the dynamics of disease progression, or Event-Conditioned. Adapting the LeJEPA framework to physiological time-series, we define pathology not as a static label, but as a transition vector acting on a patient's latent state. By predicting the future electrophysiological state of the heart given a disease onset, our model explicitly disentangles stable anatomical features from dynamic pathological forces. Evaluated on the MIMIC-IV-ECG dataset, our approach outperforms fully supervised baselines on the critical triage task. Crucially, we demonstrate superior sample efficiency: in low-resource regimes, our world model outperforms supervised learning by over 0.05 AUROC. These results suggest that modeling biological dynamics provides a dense supervision signal that is far more robust than static classification. Source code is available at https://github.com/cljosegfer/lesaude-dynamics
• Abstract（参考訳）: 医療における自己指導型学習は、主に不変性に基づく目的に依存しており、同一患者の異なる視点の類似性を最大化している。 静的解剖学には有効であるが、このパラダイムは基本的に臨床診断と一致していない。 本稿では,疾患進行のダイナミクスをシミュレートするアクション・コンディションド・ワールド・モデル(Action-Conditioned World Models),あるいはイベント・コンディションド(Event-Conditioned)へのシフトを提案する。 生理的時系列にLeJEPAフレームワークを適用することで,病理は静的なラベルではなく,患者の潜伏状態に作用する遷移ベクターとして定義する。 疾患発生後の心の電気生理学的状態を予測することによって,本モデルは動的病理力から安定な解剖学的特徴をはっきりと切り離すことができる。 提案手法はMIMIC-IV-ECGデータセットに基づいて評価され, クリティカルトリアージタスクにおいて, 教師付きベースラインよりも優れていた。 低リソース体制では、我々の世界モデルは0.05 AUROC以上の教師あり学習よりも優れています。 これらの結果は、生体力学のモデリングが静的な分類よりもはるかに頑健な密集した監視信号を与えることを示唆している。 ソースコードはhttps://github.com/cljosegfer/lesaude-dynamicsで入手できる。

関連論文リスト

• The Patient is not a Moving Document: A World Model Training Paradigm for Longitudinal EHR [3.9541492005870604]
  SMB構造(SMB-Structure)は、次世代予測(SFT)と共同埋め込み予測アーキテクチャ(JEPA)を基盤とした構造化EHRの世界モデルである。 メモリアル・スローン・ケタリング(23,319人,323,000人以上)とINSPECT(19,402人)の2つの大規模コホートで検証を行った。
  論文  参考訳（メタデータ） (2026-01-29T18:49:37Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Learning Patient-Specific Disease Dynamics with Latent Flow Matching for Longitudinal Imaging Generation [17.33607122354623]
  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。
  論文  参考訳（メタデータ） (2025-12-09T23:13:54Z)
• 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)
• SGEMAS: A Self-Growing Ephemeral Multi-Agent System for Unsupervised Online Anomaly Detection via Entropic Homeostasis [0.0]
  SGEMAS(Self-Growing Ephemeral Multi-Agent System)は,知能を動的熱力学的プロセスとして扱うバイオインスパイアされたアーキテクチャである。 SGEMAS v3.3は、患者間の難易度の高いゼロショット設定で0.570+-0.070の平均AUCを達成し、より単純な変種と標準のオートエンコーダベースラインの両方を上回っている。
  論文  参考訳（メタデータ） (2025-12-08T00:43:51Z)
• A Laplace diffusion-based transformer model for heart rate forecasting within daily activity context [0.0]
  本稿では,患者の身体活動によって引き起こされる心拍変動をモデル化するために,TransformerモデルとLaplace拡散法を組み合わせることを提案する。 このモデルは、コンテキスト化された埋め込みと専用エンコーダを組み込むことで、長期パターンと活動特異的心拍数ダイナミクスの両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-20T06:42:38Z)
• 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)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• 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。