論文の概要: Literature-Guided Minimax Optimization of Virtual Epilepsy Neurostimulation

• arxiv url: http://arxiv.org/abs/2606.04339v1
• Date: Wed, 03 Jun 2026 01:40:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.463072
• Title: Literature-Guided Minimax Optimization of Virtual Epilepsy Neurostimulation
• Title（参考訳）: 仮想てんかん性神経刺激の文献誘導ミニマックス最適化
• Authors: Cathy Liu,
• Abstract要約: 本稿では,大規模仮説抽出,仮想脳(TVB)エピレプタシミュレーション,大規模言語モデル誘導ブラックボックス最適化を併用した文献誘導型ミニマックスパイプラインを提案する。 この研究は、臨床証拠としてではなく、堅牢で文学的に認識された神経刺激設計のための、シリコの概念実証として解釈されるべきである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational models of epilepsy promise patient-specific treatment design, but most optimization workflows still search for parameters that perform well on average. In neuromodulation, this is a weak target: a protocol that improves the mean response can still fail in the patient whose network is least tolerant to stimulation. We present a literature-guided minimax pipeline that couples PubMed-scale hypothesis extraction, The Virtual Brain (TVB) Epileptor simulations, and large-language-model-guided black-box optimization. The optimizer proposes either intrinsic model-control parameters or clinically interpretable external-stimulation protocols; TVB evaluates each proposal across sampled virtual patients; and the objective maximizes worst-case reward, defined as the negative variance of simulated seizure activity. In the intrinsic model-control experiment, the best archived parameter set improved worst-case reward from -0.5285 to -0.3182, a 39.8% gain over baseline. The clinical-style external-stimulation search produced a much smaller worst-case improvement (1.7%), and a 20-patient virtual cohort showed no aggregate benefit (p=0.9019), despite a 55% responder rate and a positive temporal-lobe subgroup signal. The study should be read as an in silico proof of concept for robust, literature-aware neurostimulation design, not as clinical evidence.
• Abstract（参考訳）: てんかんの計算モデルは患者固有の治療設計を約束するが、ほとんどの最適化ワークフローは依然として平均的によく機能するパラメータを探索している。 神経調節では、これは弱い標的であり、平均応答を改善するプロトコルは、ネットワークが刺激に対する耐性が低い患者では依然として失敗する可能性がある。 本稿では,PubMed-scale hypothesis extract, The Virtual Brain (TVB) Epileptor Simulations, and large-lang-model-guided black-box Optimizationを併用した文献誘導型ミニマックスパイプラインを提案する。 このオプティマイザは、内因性モデル制御パラメータまたは臨床的に解釈可能な外部刺激プロトコルを提案し、TVBは、サンプリングされた仮想患者にまたがる各提案を評価し、シミュレーションされた発作活動の負のばらつきとして定義された最悪の報酬を最大化する。 内在的なモデル制御実験では、最高のアーカイブされたパラメータセットは-0.5285から-0.3182に改善し、ベースラインよりも39.8%上昇した。 臨床スタイルの外部刺激サーチは、最悪のケースの改善(1.7%)をはるかに小さくし、20人の仮想コホートでは、55%の応答率と正の側頭葉サブグループ信号にもかかわらず、集合的利益(p=0.9019)は示さなかった。 この研究は、臨床証拠としてではなく、堅牢で文学的な神経刺激設計のための、サイリコ的な概念の証明として解釈されるべきである。

関連論文リスト

• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• P^2O: Joint Policy and Prompt Optimization [74.45293488495592]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデル(LLM)の推論能力を高めるための強力なパラダイムとして登場した。 プロンプト最適化とポリシー最適化を相乗化する新しいフレームワークであるP2Oを提案する。
  論文  参考訳（メタデータ） (2026-03-23T12:08:47Z)
• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Temporal Basis Function Models for Closed-Loop Neural Stimulation [1.9686770963118383]
  クローズドループ神経刺激はパーキンソン病(PD)のような神経疾患に対する新しい治療法を提供する 人工知能(AI)技術が個々の患者に対してクローズドループ刺激を調整できるのか、あるいは新たな治療法を特定できるのかはまだ明らかになっていない。 これらの問題に対処するための時間的基底関数モデル(TBFM)を提案する。
  論文  参考訳（メタデータ） (2025-07-21T06:21:58Z)
• Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach [0.0]
  MRI画像を用いた脳腫瘍の分類は、早期かつ正確な検出が患者の予後に大きな影響を及ぼす医療診断において重要である。 近年のディープラーニング(DL)の進歩は将来性を示しているが、多くのモデルは精度と計算効率のバランスに苦慮している。 本稿では,分離可能な畳み込みと圧縮・励振ブロック(SEブロック)を統合した新しいモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-01T21:06:42Z)
• Multichannel Synthetic Preictal EEG Signals to Enhance the Prediction of Epileptic Seizures [4.446776063493561]
  合成多チャンネル脳波前駆体サンプルを生成するために, 生成逆数ネットワークに基づくプレクタル人工信号合成アルゴリズムを提案する。 また, ES予測性能を, 合成前駆体試料増量なしで比較することにより, 合成試料の有効性を評価した。
  論文  参考訳（メタデータ） (2022-04-29T03:33:47Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• Prediction of progressive lens performance from neural network simulations [62.997667081978825]
  本研究の目的は,畳み込みニューラルネットワーク(CNN)に基づく視覚的視力(VA)予測の枠組みを提案することである。 提案する総合シミュレーションツールは主観的視覚性能の正確なモデルとして機能することが示されている。
  論文  参考訳（メタデータ） (2021-03-19T14:51:02Z)
• Reducing complexity and unidentifiability when modelling human atrial cells [0.0]
  パラメータ推定に隠された不確実性は, 校正から実験データへの理解が不可欠である。 本研究では、ベイズ近似計算を用いて、既存の2つのヒト心房細胞モデルにおける4つのイオンチャネルのゲーティング速度を補正する。
  論文  参考訳（メタデータ） (2020-01-29T16:57:07Z)

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。