論文の概要: TEMPO: Transformers for Temporal Disease Progression from Cross-Sectional Data

• arxiv url: http://arxiv.org/abs/2604.23368v1
• Date: Sat, 25 Apr 2026 16:25:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.298071
• Title: TEMPO: Transformers for Temporal Disease Progression from Cross-Sectional Data
• Title（参考訳）: TEMPO : 時系列データによる経時的疾患進行のトランスフォーマ
• Authors: Hongtao Hao, Joseph L. Austerweil,
• Abstract要約: textscTempoは、順序と連続したイベントシーケンスの両方を学ぶトランスフォーマーアーキテクチャである。 textscTempoは、ケンドールのタウ距離を52.89%減らし、最先端のSA-EBMに比べて25.33%減らした。 textscTempoは生物学的に妥当なアルツハイマーの進行を回復する。
• 参考スコア（独自算出の注目度）: 1.2318267573115809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event-Based Models (EBMs) infer biomarker progression from cross-sectional data but typically only as ordinal sequences and rely on rigid model assumptions. We propose \textsc{Tempo}, a Transformer architecture that learns both ordinal and continuous event sequences through simulation-based supervised learning. \textsc{Tempo} uses two Transformer modules: one treats biomarkers as tokens to infer event sequencing; the other treats patients as tokens, representing each by their per-biomarker abnormality profile, to infer patients' disease stages. On synthetic benchmarks, \textsc{Tempo} reduces normalized Kendall's Tau distance by 52.89\% and staging MAE by 25.33\% compared to state-of-the-art SA-EBM, with larger reductions in high-dimensional settings (58.88\% and 61.10\%). Applied to ADNI, \textsc{Tempo} recovers a biologically plausible Alzheimer's progression: early medial temporal atrophy, followed by amyloid accumulation and cognitive decline, and late-stage tau pathology with terminal acceleration of global neurodegeneration -- broadly consistent with established disease models. \textsc{Tempo} also eliminates the need to derive custom inference algorithms and enables rapid empirical comparison of generative hypotheses.
• Abstract（参考訳）: イベントベースモデル(EBM)は、横断的なデータからバイオマーカーの進行を推測するが、通常は順序列としてのみ、厳密なモデル仮定に依存する。 本稿では,シミュレーションに基づく教師あり学習を通じて順序および連続的なイベントシーケンスを学習するトランスフォーマーアーキテクチャであるtextsc{Tempo}を提案する。 1つは、バイオマーカーをイベントシークエンシングを推論するためのトークンとして扱い、もう1つは、患者をトークンとして扱い、それぞれのバイオマーカーの異常プロファイルによって、患者の疾患ステージを推測する。 合成ベンチマークでは、 \textsc{Tempo} はケンドールのタウ距離を52.89 %、MAEを25.33 %減らし、高次元設定(58.88 % と61.10 %)で減少させる。 ADNIに応用された \textsc{Tempo} は、生物学的にもっともらしいアルツハイマー病の進行を回復し、初期の中等度萎縮、アミロイドの蓄積と認知の低下、そしてグローバル神経変性の終末加速を伴う後期タウ病は、確立された疾患モデルと広く一致している。 \textsc{Tempo} はカスタム推論アルゴリズムの導出の必要性を排除し、生成仮説の迅速な経験的比較を可能にする。

関連論文リスト

• Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
  本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。 我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。 SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-04-07T04:19:39Z)
• MATA-Former & SIICU: Semantic Aware Temporal Alignment for High-Fidelity ICU Risk Prediction [8.92515305370631]
  本稿では,予測モデリングを臨床論理と整合させる枠組みを提案する。 我々は,二項分類を連続的多軸回帰に変換するためのプラトー・ガウスソフトラベリング(PSL)を導入する。 本フレームワークは,テキスト集約的,不規則な臨床時系列からリスクを捕捉する上で,優れた有効性と堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2026-04-02T07:45:52Z)
• 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)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Unscrambling disease progression at scale: fast inference of event permutations with optimal transport [2.9087305408570945]
  疾患進行モデルでは、慢性変性状態として、患者の特徴の変化の群レベルの時間的軌跡を推定する。 本研究では,Birkhoff polytopeに属する事象の潜在置換行列として,最適な輸送からモデル疾患進行へのアイデアを活用する。 実験は、シミュレーションにおけるノイズに対する速度、精度、堅牢性の増加を実証する。
  論文  参考訳（メタデータ） (2024-10-18T11:44:29Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Efficient Learning and Decoding of the Continuous-Time Hidden Markov Model for Disease Progression Modeling [119.50438407358862]
  本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。 EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。 緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
  論文  参考訳（メタデータ） (2021-10-26T20:06:05Z)

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。