論文の概要: Uncertainty-Aware Prediction of Lung Tumor Growth from Sparse Longitudinal CT Data via Bayesian Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2605.13560v1
• Date: Wed, 13 May 2026 14:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.091522
• Title: Uncertainty-Aware Prediction of Lung Tumor Growth from Sparse Longitudinal CT Data via Bayesian Physics-Informed Neural Networks
• Title（参考訳）: Bayesian Physics-Informed Neural Networks を用いた微小縦断CTデータによる肺腫瘍進展の不確かさの予測
• Authors: Lingfei Kong, Haoran Ma,
• Abstract要約: 本研究は, 肺腫瘍の進展予測を, 測定変動を伴う, スパースおよび不規則な経時的CT(CT)観察から検討した。 対数体積領域におけるゴアンペルツ成長ダイナミクスと低次元ベイズ推論を組み合わせることにより、ベイズ物理学インフォームドニューラルネットワークを開発した。 このフレームワークは、最大後部推定(MAP)とハミルトンモンテカルロサンプリングを組み合わせた2段階の推論戦略を用いて、後部予測分布と不確かさ間隔を推定する。
• 参考スコア（独自算出の注目度）: 2.3370030279473073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work studies lung tumor growth prediction from sparse and irregular longitudinal computed tomography (CT) observations with measurement variability. A Bayesian physics-informed neural network is developed by combining Gompertz growth dynamics with low-dimensional Bayesian inference in the log-volume domain. The framework employs a two-stage inference strategy combining maximum a posteriori (MAP) estimation and Hamiltonian Monte Carlo (HMC) sampling to estimate posterior predictive distributions and uncertainty intervals. The method was evaluated on longitudinal data from the National Lung Screening Trial (30 patients). Results show that the model captures heterogeneous tumor growth patterns while maintaining reasonable prediction accuracy under limited observations. Compared with deterministic modeling approaches, the proposed approach additionally provides calibrated uncertainty estimates. The inferred posterior parameter correlations were consistent with expected biological growth behavior. The proposed framework achieved a cohort-level log-space RMSE of approximately 0.20 together with well-calibrated 95% credible interval coverage across 30 patients. These findings suggest that Bayesian physics-informed modeling may be useful for uncertainty-aware tumor growth assessment when only limited longitudinal follow-up scans are available.
• Abstract（参考訳）: 本研究は, 肺腫瘍の進展予測を, 測定変動を伴う, スパースおよび不規則な経時的CT(CT)観察から検討した。 対数体積領域におけるゴアンペルツ成長ダイナミクスと低次元ベイズ推論を組み合わせることにより、ベイズ物理学インフォームドニューラルネットワークを開発した。 このフレームワークは、最大後続推定(MAP)とハミルトンモンテカルロサンプリング(HMC)を組み合わせた2段階の推論戦略を用いて、後続予測分布と不確実区間を推定する。 本法は,全国肺検診(30例)の縦断的データに基づいて評価した。 以上の結果から,同種腫瘍の成長パターンを定量的に把握すると同時に,限られた観察条件下での適切な予測精度を保ちながら,同種腫瘍の成長パターンを捉えることが示唆された。 決定論的モデリング手法と比較して、提案手法はキャリブレーションされた不確実性推定を提供する。 推定後パラメータ相関は, 期待された生物学的成長挙動と一致していた。 提案手法は, 約0.20のコホートレベルログスペースRMSEと, 95%の信頼性区間範囲を30例に有した。 これらの結果から, ベイズ物理学インフォームド・モデリングは, 経時的経過観察のみが可能であった場合, 不確実性を考慮した腫瘍増殖評価に有用である可能性が示唆された。

関連論文リスト

• Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
  グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。 本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T14:42:46Z)
• Mechanistic Learning with Guided Diffusion Models to Predict Spatio-Temporal Brain Tumor Growth [2.1289132027940605]
  われわれはBraTS成人と小児のグリオーマでモデルを訓練し,60軸スライスを内耳道びまん性中線グリオーマ (DMG) 症例で評価した。 本フレームワークは,空間的類似度指標に基づいて,現実的なフォローアップスキャンを生成する。 また、腫瘍成長確率マップを導入し、腫瘍成長の臨床的に関連する範囲と方向性の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-09-11T16:52:09Z)
• Vestibular schwannoma growth prediction from longitudinal MRI by time conditioned neural fields [5.662694302758444]
  本稿では,腫瘍進展予測のためのニューラルネットワークとリカレントニューラルネットワークを組み合わせたディープラーニング手法であるDeepGrowthを紹介する。 社内の経時的VSデータセットを用いた実験により,提案モデルにより性能が有意に向上した。
  論文  参考訳（メタデータ） (2024-04-03T10:01:23Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• An Uncertainty-aware Hierarchical Probabilistic Network for Early Prediction, Quantification and Segmentation of Pulmonary Tumour Growth [2.5212378555147823]
  本稿では,腫瘍の成長を予測し,その大きさを定量化し,将来の結節の意味的外観を与える新しい方法を提案する。 この手法を独立した試験セットで評価した結果、腫瘍成長バランスの取れた精度は74%、腫瘍増殖サイズは1.77mm、腫瘍分割度は78%であった。
  論文  参考訳（メタデータ） (2021-04-18T09:48:58Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
  空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。 本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-09-06T18:46:04Z)
• Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules [15.069141581681016]
  フォローアップは肺癌の肺結節管理において重要な役割を担っている。 結節の悪性度を予測するために畳み込みニューラルネットワーク(CNN)を用いた最近のディープラーニング研究は、臨床医にブラックボックス予測を提供するのみである。 我々は,高品質な視覚的外観を持つ肺結節の成長を予測し,正確な定量化を行うNodule Follow-Up Prediction Network (NoFoNet) という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-24T17:18:46Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。