論文の概要: Marrying Generative Model of Healthcare Events with Digital Twin of Social Determinants of Health for Disease Reasoning

• arxiv url: http://arxiv.org/abs/2605.09771v1
• Date: Sun, 10 May 2026 21:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.412106
• Title: Marrying Generative Model of Healthcare Events with Digital Twin of Social Determinants of Health for Disease Reasoning
• Title（参考訳）: 社会的要因のデジタル双対による医療イベントの生成モデルの作成
• Authors: Ziquan Wei, Tingting Dan, Guorong Wu,
• Abstract要約: 疾患予測のための既存の生成モデルは、病院および登録データからのイベントレベル表現に大きく依存する。 本稿では,病因推論のテキシチン・サイリコ・モデリングのためのCD-coded proxies of SDoHを用いた生成モデルを提案する。 我々のモデルネームは、最先端のヒト疾患自己回帰モデルと、特徴的生成ベースラインの画像化よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 12.920888696520366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the central role of sensor-derived measurements such as imaging traits and plasma biomarkers in biomedical research and clinical practice, existing generative models for disease prediction largely depend on event-level representations from hospital and registry data. Given the multi-factorial nature of human disease, the absence of explicit modeling of social determinants of health (SDoH), even in the limited form of ICD-coded proxies (chapters Z and V--Y in ICD-10), limits the capacity for personalized disease modeling and clinical decision support. To address this limitation, we propose a generative model with ICD-coded proxies of SDoH for \textit{in silico} modeling of disease reasoning, a conditioned latent diffusion framework that establishes the connection between multi-organ sensor data with tokenized healthcare events. Specifically, we introduce a novel geometric diffusion model to characterize the temporal evolution of complex data representation such as brain networks (region-to-region connectivity encoded in a graph), in parallel with diffusion models for tabular data from other organ systems. Together, we integrate the generative model with digitalized SDoH proxies (coined \modelname{}) for simulated intervention and reasoning of future disease trajectories. We conduct extensive experiments on the UK Biobank (UKB) dataset, which contains organ-specific imaging traits, including brain (44,834), heart (23,987), liver (28,722), and kidney (32,155), along with nearly 500k medical history sequences (age range: 25$\sim$89 years). Our \modelname{} achieves significant improvements over state-of-the-art human disease autoregressive models and imaging trait generative baselines.
• Abstract（参考訳）: バイオメディカル研究や臨床実践におけるイメージング特性やプラズマバイオマーカーなどのセンサによる計測の中心的役割にもかかわらず、疾患予測のための既存の生成モデルは、病院や登録データからの事象レベルの表現に大きく依存している。 ヒト疾患の多因子性を考えると、ICD-coded proxies(CD-10のチャプターZとV-Y)の限られた形態であっても、社会的決定因子(SDoH)の明示的なモデリングがないため、パーソナライズされた疾患モデリングと臨床診断支援の能力は制限される。 この制限に対処するために,多臓器センサデータとトークン化医療イベントの関連性を確立する条件付き潜伏拡散フレームワークである病気推論のモデルとして,SDoHのICD-codeed proxiesを用いた生成モデルを提案する。 具体的には,脳ネットワーク(グラフにエンコードされた地域間接続)などの複雑なデータ表現の時間的進化を,他の臓器系からのグラフデータに対する拡散モデルと並行して特徴付けるための,新しい幾何学的拡散モデルを提案する。 生成モデルとデジタル化されたSDoHプロキシ (coined \modelname{}) を統合し, 今後の疾患軌跡のシミュレーションと推論を行う。 英国バイオバンク(UKB)データセットでは,脳(44,834),心臓(23,987),肝臓(28,722),腎臓(32,155),および500万近い医療史(年齢範囲:25$\sim$89年)の臓器特異的な画像特徴を含む広範な実験を行った。 我々の \modelname{} は、最先端のヒト疾患自己回帰モデルと、特徴的生成ベースラインを画像化することにより、大幅な改善を実現している。

関連論文リスト

• Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model [4.65021411381981]
  ほとんどの縦方向のニューロイメージングデータセットは時間的にスパースで、被験者1人につき数回の追跡スキャンを行う。 本研究では, 時間とともに経時的解剖を効果的にモデル化し, 合成する新しい4D(3DxT)拡散型生成フレームワークを提案する。 本手法は、解剖学的に正確で、時間的整合性があり、臨床的に意味のある脳の軌跡を生成する際に、最先端のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2026-04-24T16:33:48Z)
• Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
  そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。 本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T01:54:18Z)
• Diffusion Models for conditional MRI generation [0.0]
  脳磁気共鳴画像(MRI)生成のための潜時拡散モデル(LDM)を提案する。 生成画像の品質を評価するために、Fr'echet Inception Distance(FID)とMulti-Scale Structure similarity Index(MS-SSIM)のメトリクスを使用した。
  論文  参考訳（メタデータ） (2025-02-25T20:08:29Z)
• 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)
• Medical Video Generation for Disease Progression Simulation [40.38123964910394]
  疾患関連画像と映像の特徴を制御できる第1の医用ビデオ生成フレームワークを提案する。 胸部X線,眼底写真,皮膚画像の3領域にまたがる枠組みを検証した。 MVGは、コヒーレントで臨床的に妥当な疾患軌跡を発生させる上で、ベースラインモデルよりも著しく優れている。
  論文  参考訳（メタデータ） (2024-11-18T18:37:09Z)
• Generative models of MRI-derived neuroimaging features and associated dataset of 18,000 samples [17.576301478946775]
  GenMINDは、構造的脳画像から派生した規範的地域容積特徴の生成モデルである。 成人の寿命(22～90歳)にまたがる18,000の合成サンプルと、無制限のデータを生成するモデルの能力を提供する。
  論文  参考訳（メタデータ） (2024-07-17T15:33:10Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• 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。