論文の概要: From Trajectories to Phenotypes: Disease Progression as Structural Priors for Multi-organ Imaging Representation Learning

• arxiv url: http://arxiv.org/abs/2605.11958v1
• Date: Tue, 12 May 2026 11:10:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.812375
• Title: From Trajectories to Phenotypes: Disease Progression as Structural Priors for Multi-organ Imaging Representation Learning
• Title（参考訳）: トラジェクトリーからフェノタイプへ:多臓器画像表現学習における構造的優先事項としての疾患の進展
• Authors: Zian Wang, Lizhen Lan, Guangming Wang, Haosen Zhang, Minxuan Xu, Qing Li, Tianxing He, Mo Yang, Wenyue Mao, Yajing Zhang, Yan Li, Chengyan Wang,
• Abstract要約: 本稿では, 臓器関連IDPエンコーダに構造知識を変換するトラジェクティブ・アウェア・フレームワークを提案する。 英国バイオバンクのコホートでは159の疾患が発生し、トラジェクトリ・アウェア・プレトレーニングにより、識別と発症予測の両方が一貫して改善される。 以上の結果から, 人口規模で生成する疾患モデルが, データ制限画像モダリティの構造的先行要因となる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 22.146397986514604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imaging-derived phenotypes (IDPs) summarize multi-organ physiology but provide only static snapshots of diseases that evolve over time. In contrast, longitudinal electronic health records encode disease trajectories through temporal dependencies among past diagnosis events and comorbidity structure. We hypothesize that IDPs and disease trajectories contain partially shared disease-relevant structure. We propose a trajectory-aware distillation framework that transfers structural knowledge from a generative disease trajectory Transformer into an organ-wise IDP encoder. A population-scale trajectory model trained on longitudinal diagnosis sequences produces subject-level embeddings that supervise IDP representation learning via geometry-preserving alignment. During downstream prediction, trajectory and imaging representations can also be fused via cross-attention. Across 159 diseases in the UK Biobank cohort, trajectory-aware pretraining consistently improves both discrimination (AUC) and time-to-onset prediction (MAE), with the largest gains for low-prevalence diseases. Similarity relationships in IDP embedding space also align with those in trajectory space, providing supportive evidence for partially aligned representation geometry. These results suggest that population-scale generative disease models can serve as structural priors for data-limited imaging modalities, improving robustness under realistic cohort constraints.
• Abstract（参考訳）: イメージング由来の表現型(IDP)は、多臓器生理学を要約するが、時間とともに進化する疾患の静的スナップショットのみを提供する。 対照的に、縦断的な電子健康記録は、過去の診断イベントと協調構造の間の時間的依存関係を通じて、疾患の軌跡を符号化している。 我々はIDPと疾患軌跡が部分的に共有された疾患関連構造を含んでいると仮定する。 本稿では, 発生性疾患のトラジェクトリトランスフォーマーから臓器関連IDPエンコーダへ構造的知識を伝達するトラジェクトリ対応蒸留フレームワークを提案する。 縦断的診断シーケンスに基づいて訓練された集団規模軌跡モデルにより、幾何学保存アライメントによるIDP表現学習を監督する対象レベルの埋め込みを生成する。 下流での予測では、軌跡や画像の表現も相互注意によって融合することができる。 英国バイオバンクのコホートにおける159の疾患のうち、トラジェクトリ・アウェア・プレトレーニングは、差別(AUC)とタイム・ツー・オンセット予測(MAE)の両方を継続的に改善する。 IDP埋め込み空間の類似性関係は軌道空間の類似性とも一致し、部分整列表現幾何学の支持的な証拠を与える。 以上の結果から, 人口規模で生成する疾患モデルが, データ制限による画像モダリティの構造的先行要因となり, 現実的なコホート制約下でのロバスト性の向上が示唆された。

関連論文リスト

• Disentangled Anatomy-Disease Diffusion (DADD) for Controllable Ulcerative Colitis Progression Synthesis [4.554894288663752]
  我々は,長期医療画像の制御可能な病期における合成の課題に対処する。 本誌のフレームワークDisentangled Anatomy Diffusionは、2つの相補的な埋め込みに潜時拡散モデルを適用している。 疾患関連チャネルを識別・抑制するクロスアテンションに基づく消去機構であるFeatureを導入する。 提案手法は,全重度レベルの高忠実度画像を生成し,スキュートクラス分布を効果的に再バランスさせる。
  論文  参考訳（メタデータ） (2026-05-03T12:35:12Z)
• 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)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning [29.777694695551606]
  EHR(DT-BEHRT)用疾患軌跡認識変換器 本稿では,臓器内における診断中心の相互作用を明示的にモデル化し,非同期進行パターンを捉えることで,疾患の軌跡を乱すグラフ強化シーケンシャルアーキテクチャを提案する。 複数のベンチマークデータセットの実験では、DT-BEHRTは強い予測性能を示し、臨床医の疾患中心の推論と一致する解釈可能な患者表現を提供する。
  論文  参考訳（メタデータ） (2026-03-10T19:21:40Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• The Latent Space Hypothesis: Toward Universal Medical Representation Learning [0.0]
  医療データはゲノム配列や網膜写真から構造化された実験結果、構造化されていない臨床物語まで様々である。 ラテント空間仮説は、それぞれの観測を統一的で階層的に整理された多様体の射影として表している。 サブトラジェクトリと患者固有の変化方向を明らかにすることで、このフレームワークはパーソナライズされた診断のための定量的な根拠を提供する。
  論文  参考訳（メタデータ） (2025-06-04T23:37:33Z)
• 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)
• 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。