論文の概要: Integrating Mechanistic and Data-Driven Models for Neurological Disorders through Differentiable Programming

• arxiv url: http://arxiv.org/abs/2606.06094v1
• Date: Thu, 04 Jun 2026 12:32:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.788938
• Title: Integrating Mechanistic and Data-Driven Models for Neurological Disorders through Differentiable Programming
• Title（参考訳）: 微分プログラミングによる神経障害の力学モデルとデータ駆動モデルの統合
• Authors: Shah Pallav Dhanendrakumar, Saikat Pal, Sitikantha Roy,
• Abstract要約: 計算モデリング、ニューロイメージング、人工知能は神経疾患のモデリングに革命をもたらしている。 メカニスティックモデルは、障害に関する貴重な科学的洞察を提供するが、仮定や計算に高価で解決に時間がかかるため、しばしば単純化される。 本稿では,ディープラーニングモデルと物理に基づく解法を組み合わせたハイブリッドモデリング戦略について概説する。
• 参考スコア（独自算出の注目度）: 0.5097809301149341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in computational modeling, neuroimaging, and artificial intelligence are revolutionizing the modeling of neurological disorders for improved diagnostics, prognosis, and treatment planning. Mechanistic models provide valuable scientific insight into the disorders, but in practice they are often simplified with assumptions or computationally expensive and slow to solve. However, while purely data driven approaches provide speed and scalability, they require large, high quality data to train and generally suffer from interpretability and generalization issues. This perspective paper presents a structured overview of hybrid modeling strategies, which combine deep learning models with physics based solvers, and are categorized into parallel, series, and parallel-series architectures. Three main approaches that have been emphasized are residual modeling for missing or incomplete physics, Neural Ordinary Differential Equations (NODEs) for continuous time dynamics approximation, and solver in the loop that accelerates traditional solvers with neural approximations. These hybrid models integrate the governing differential equation based formulations and deep learning to characterize the evolution of neurological disorders, and promise advanced personalized neurological modeling. In addition, the study explores and proposes different hybrid configurations to improve diagnosis accuracy, predict disease progression, and inform treatment strategies across a range of neurological disorders. These capabilities outperform standalone mechanistic or purely data driven approaches, making hybrid modeling a powerful tool, especially in applications involving modeling the progression and treatment responses in neurological conditions such as brain tumors, Alzheimer's disease, and stroke.
• Abstract（参考訳）: コンピュータ・モデリング、ニューロイメージング、人工知能の進歩は、診断、予後、治療計画を改善するために神経疾患のモデリングに革命をもたらしている。 力学モデルは、障害に関する貴重な科学的洞察を提供するが、実際には仮定や計算に高価で解決に時間がかかるため、しばしば単純化される。 しかし、純粋にデータ駆動アプローチはスピードとスケーラビリティを提供するが、トレーニングには大規模で高品質なデータを必要とし、一般的に解釈可能性や一般化の問題に悩まされる。 本稿では,ディープラーニングモデルと物理に基づく解法を組み合わせ,並列・直列・並列・列列アーキテクチャに分類したハイブリッド・モデリング・ストラテジーについて概説する。 強調されている3つの主要なアプローチは、欠落または不完全物理学の残差モデリング、連続時間力学近似のニューラル正規微分方程式(NODE)、ニューラル近似の伝統的な解法を加速するループのソルバである。 これらのハイブリッドモデルは、制御微分方程式に基づく定式化とディープラーニングを統合し、神経疾患の進化を特徴づけ、高度なパーソナライズされた神経学的モデリングを約束する。 さらに、診断精度を改善し、疾患の進行を予測し、さまざまな神経疾患に対する治療戦略を通知するために、異なるハイブリッド構成を探索し、提案する。 これらの能力はスタンドアロンの機械学または純粋にデータ駆動アプローチよりも優れており、特に脳腫瘍、アルツハイマー病、脳卒中などの神経疾患における進行と治療反応をモデル化するアプリケーションにおいて、ハイブリッドモデリングは強力なツールとなっている。

関連論文リスト

• 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)
• Foundation and Large-Scale AI Models in Neuroscience: A Comprehensive Review [5.853788810213108]
  大規模人工知能(AI)モデルの出現は神経科学研究に変革をもたらす。 本稿では,5つの主要な神経科学領域に対する大規模AIモデルの変換効果について検討する。
  論文  参考訳（メタデータ） (2025-10-18T22:45:59Z)
• A Stage-Aware Mixture of Experts Framework for Neurodegenerative Disease Progression Modelling [6.577465893404979]
  神経変性疾患の長期進行はグラフ拡散過程として一般的に概念化されている。 そこで本研究では,異なるコントリビューション機構が病期においてどのように支配されているかを明確にモデル化する,新たな段階認識型混合エキスパートフレームワークを提案する。 IGND-MoEモデルは、これらの成分を時間的状態にわたって動的に統合し、ステージ特異的な病理機構が進行にどのように寄与するかを理解するための原則化された方法を提供する。
  論文  参考訳（メタデータ） (2025-08-09T16:09:00Z)
• Scientific Machine Learning of Chaotic Systems Discovers Governing Equations for Neural Populations [0.05804487044220691]
  カオス力学系から解釈可能な数学的表現を抽出するPEM-UDE法を提案する。 神経集団に適用した場合、生物学的制約を尊重する新しい支配方程式を導出する。 これらの方程式は、ニューラルネットワークにおける接続密度と発振周波数と同期の両方の創発的関係を予測する。
  論文  参考訳（メタデータ） (2025-07-04T14:57:58Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• High-throughput digital twin framework for predicting neurite deterioration using MetaFormer attention [2.0971479389679337]
  神経発達障害(NDD)は、自閉症スペクトラム障害、注意欠陥・高活動障害、てんかんなど、様々な症状をカバーしている。 それらの高いコンコビディティと複雑なエチオロジーは、正確な診断と効果的な治療に重大な課題を呈している。 本稿では,NDDに関連する神経突起劣化に対する高スループットディジタルツインフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T01:48:50Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。