論文の概要: Bayesian meta-learning for modeling Alzheimer's disease progression

• arxiv url: http://arxiv.org/abs/2606.02228v1
• Date: Mon, 01 Jun 2026 13:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.100637
• Title: Bayesian meta-learning for modeling Alzheimer's disease progression
• Title（参考訳）: アルツハイマー病進行のモデル化のためのベイズ的メタラーニング
• Authors: Clara Hoffmann, Nadja Klein,
• Abstract要約: パーソナライズされた治療には、アルツハイマー病の患者が軽度または重度疾患の進行を経験するかどうかを予測することが不可欠である。 ベイジアン・メタ・ラーナーは,複数の個人を対象に訓練されているが,各個人の歴史データに対する予測的疾患スコアの分布を調整している。 本モデルは,長期的疾患進行予測における性能を著しく向上させつつ,シングルタスクモデルと決定論的メタラーナーの両方と性能の競争性を実現する。
• 参考スコア（独自算出の注目度）: 2.7214777196418645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting whether an individual with Alzheimer's disease will experience mild or severe disease progression is essential for personalized treatment. Typically, practitioners seek to predict the distribution of a discrete disease score, conditional on an individual's current MRI volume and their historical disease trajectory. Classical statistical regression models and single-task neural networks are not well-suited for this purpose because fitting separate models is infeasible (since each individual typically has few observations), while ignoring individual-level correlation leads to poor generalization. Meta-learning, in contrast, provides a natural avenue to dynamically predict distributions without retraining and model nonlinear relationships between the outcome and covariates. Motivated by this, we propose a Bayesian meta-learner that is trained on multiple individuals but tailors the predictive disease score distribution to each individual's historical data. Our model predicts on unseen individuals without retraining, scales linearly with the number of historical observations, and is guaranteed to be less overconfident when predicting long-term disease scores compared to its deterministic counterpart. On real-world data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database, our model achieves performance competitive with both single-task models and deterministic meta-learners, while substantially improving performance when predicting long-term disease progression.
• Abstract（参考訳）: パーソナライズされた治療には、アルツハイマー病の患者が軽度または重度疾患の進行を経験するかどうかを予測することが不可欠である。 通常、実践者は個別の疾患スコアの分布、個人の現在のMRIボリュームの条件、そしてその歴史的疾患の軌跡を予測しようと試みる。 古典的な統計的回帰モデルとシングルタスクニューラルネットワークはこの目的には適していない、なぜなら、個別のモデルが組み合わさることは不可能である(ただし、個々のモデルがほとんど観測されないため)一方で、個々のレベルの相関を無視しているため、一般化が不十分であるからである。 対照的にメタラーニングは、結果と共変量の間の非線形関係をトレーニングしたりモデル化したりすることなく、分布を動的に予測する自然な方法を提供する。 そこで本研究では,複数の個人を対象にトレーニングを行ったベイズメタラーナーを提案する。 本モデルでは, 再トレーニングを伴わない未確認個体を予測し, 過去の観測値と線形にスケールし, 長期の疾患スコアを決定論的と比較した場合, 信頼性が低いことが保証される。 アルツハイマー病ニューロイメージングイニシアチブ(ADNI)データベースから得られた実世界のデータに基づいて, 長期の疾患進行予測において, 単一タスクモデルと決定論的メタラーナーの双方と性能を比較検討した。

関連論文リスト

• 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)
• Disparate Model Performance and Stability in Machine Learning Clinical Support for Diabetes and Heart Diseases [2.9247093478805324]
  調査により、慢性疾患データセットとその派生した機械学習モデルにおいて、性別と年齢に関連する不等式が広く明らかになった。 25,000人以上の慢性疾患患者のデータを分析したところ、男女差は軽度であり、男性には予測精度が好ましく、若年者には有意な年齢差がみられた。 特に高齢患者では、7つのデータセットで矛盾した予測精度を示し、データの複雑さとモデルの性能が低下した。
  論文  参考訳（メタデータ） (2024-12-27T07:31:14Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。 与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。 本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
  論文  参考訳（メタデータ） (2024-03-11T17:26:18Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Individual dynamic prediction of clinical endpoint from large dimensional longitudinal biomarker history: a landmark approach [0.0]
  本稿では,多種多様なマーカーの繰り返し測定を活用できる健康事象の動的予測手法を提案する。 Rで実施した手法により,繰り返しマーカーの数が多い場合でも,患者の縦断的履歴全体を用いた事象の予測が可能となった。
  論文  参考訳（メタデータ） (2021-02-02T12:36:18Z)
• 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)
• Learning transition times in event sequences: the Event-Based Hidden Markov Model of disease progression [4.12857285066818]
  我々は、イベントベースと隠れマルコフモデリングのアイデアを結びつけて、疾患進行の新しい生成モデルを作成する。 我々のモデルは、限られたデータセットから最も可能性の高いグループレベルのシーケンスとイベントのタイミングを推測することができる。 我々は,アルツハイマー病神経画像イニシアチブの臨床的,画像的,バイオ流体的データを用いて,我々のモデルの有効性と有用性を実証した。
  論文  参考訳（メタデータ） (2020-11-02T15:13:03Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。