論文の概要: Physics-Informed Neural Networks for Chemotherapy Pharmacokinetics: Benchmarking the Clinical Estimator and Exposing Parameter Identifiability

• arxiv url: http://arxiv.org/abs/2606.12658v1
• Date: Wed, 10 Jun 2026 20:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.453123
• Title: Physics-Informed Neural Networks for Chemotherapy Pharmacokinetics: Benchmarking the Clinical Estimator and Exposing Parameter Identifiability
• Title（参考訳）: 化学療法薬理学療法のための物理インフォームドニューラルネットワーク : 臨床評価と被曝パラメータの同定可能性のベンチマーク
• Authors: Riya Bisht, Dhruv Agarwal,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、生物学における部分観測問題の魅力的なツールである。 PINNは、教科書推定器を教科書問題に結びつける均一なレシピを提供する。
• 参考スコア（独自算出の注目度）: 1.1986159241687198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-Informed Neural Networks (PINNs) are an attractive tool for partial-observation problems in biology, where the governing dynamics are known but some compartments cannot be measured. Chemotherapy pharmacokinetics (PK) is a clean instance: drug concentration in plasma is routinely measured, but concentration in tissue -- which determines tumour kill and off-target toxicity -- is not. We benchmark a PINN against the standard clinical baseline (nonlinear least-squares on the analytical biexponential plasma solution, hereafter NLS) and a physics-agnostic neural baseline (a data-only MLP) on two PK problems. On the linear two-compartment problem, NLS is near-optimal; the PINN matches it to within a small constant factor while also producing the tissue curve in a single training pass, whereas the data-only MLP fails on tissue by roughly 10x. On a Michaelis-Menten extension (saturable elimination), the biexponential closed form no longer exists, so NLS is mis-specified and silently returns meaningless rate constants. The PINN instead exposes a deeper fact: the Michaelis-Menten two-compartment model is non-identifiable from plasma alone, and the PINN reports this honestly by converging to a basin with k12 -> 0. Adding two sparse tissue observations largely resolves identifiability: across five seeds the PINN recovers k21 to within 1% of truth and Vmax, Km to within one standard-deviation bar, while k12 moves in the correct direction (0.02 -> 0.82) but remains ~2 sigma below truth -- a recovery the closed-form NLS estimator cannot attempt at all, because its biexponential ansatz describes only plasma. Our claim is not that PINNs beat NLS. It is that PINNs offer a uniform recipe that ties the textbook estimator on the textbook problem, exposes structural identifiability that the textbook estimator hides, and absorbs heterogeneous measurements within a single loss.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、生物学における部分観測問題の魅力的なツールである。 化学療法の薬物動態学(PK)はクリーンな例であり、血漿中の薬物濃度は日常的に測定されるが、腫瘍の殺傷と標的外毒性を決定する組織中の濃度はそうではない。 我々は,2つのPK問題に対して,標準的な臨床ベースライン(Nonlinear least-squares on the analysisal biexponential plasma solution, this after NLS)と物理に依存しない神経ベースライン(データのみMLP)とを比較検討した。 PINNは、単一のトレーニングパスで組織曲線を生成する一方で、データのみのMLPは、約10倍の組織上で失敗する。 ミハイル・メンテン拡大(飽和除去)では、双指数閉形式はもはや存在しないので、NLSは誤って特定され、無意味な速度定数を返す。 PINNは、より深い事実を明らかにしている: Michaelis-Menten の2分割モデルは、プラズマだけでは識別できない。 PINNは5つの種子でk21を1%の真理とVmax、Kmを1つの標準偏差バーに回収する一方、k12は正しい方向(0.02 -> 0.82)で移動するが、真理の下2シグマが残る -- 閉形NLS推定器はプラズマのみを記述しているため、全く試みることができない。 我々の主張は、PINNがNLSに勝っているわけではない。 PINNは、教科書推定器を教科書問題に結びつける均一なレシピを提供し、教科書推定器が隠した構造的識別性を公開し、1つの損失の中で不均一な測定を吸収する。

関連論文リスト

• Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
  NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。 本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
  論文  参考訳（メタデータ） (2025-12-31T12:08:29Z)
• Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
  本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。 本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-14T23:23:26Z)
• Statistical Properties of Deep Neural Networks with Dependent Data [0.0]
  本稿では, ディープニューラルネットワーク (DNN) 推定器の統計特性について, 従属データに基づく検討を行った。 このフレームワークは、他のDNNアーキテクチャや時系列アプリケーションの研究の可能性も提供する。
  論文  参考訳（メタデータ） (2024-10-14T21:46:57Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Information Bottleneck Analysis of Deep Neural Networks via Lossy Compression [37.69303106863453]
  Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。 本稿では,一般NNのICB解析を行うためのフレームワークを提案する。 また,MI力学の新たな特徴を明らかにするため,実規模に近いISB解析を行う。
  論文  参考訳（メタデータ） (2023-05-13T21:44:32Z)
• A Normative and Biologically Plausible Algorithm for Independent Component Analysis [15.082715993594121]
  信号処理では、線形ブラインド音源分離問題は独立成分分析(ICA)によってしばしば解決される。 生物学的回路のモデルとして機能するためには、ICAニューラルネットワーク(NN)は、少なくとも以下の要件を満たす必要がある。 本稿では,ニューラルアーキテクチャとシナプス学習規則の両方を含む生物学的に妥当なNNを導出するICAの目的関数を提案する。
  論文  参考訳（メタデータ） (2021-11-17T01:43:42Z)
• Enhanced nonlinear quantum metrology with weakly coupled solitons and particle losses [58.720142291102135]
  ハイゼンベルク(最大1/N)および超ハイゼンベルクスケーリングレベルにおける位相パラメータ推定のための干渉計測手法を提案する。 我々のセットアップの中心は、量子プローブを形成する新しいソリトンジョセフソン接合(SJJ)システムである。 このような状態は、適度な損失があっても最適な状態に近いことを示す。
  論文  参考訳（メタデータ） (2021-08-07T09:29:23Z)
• ASL to PET Translation by a Semi-supervised Residual-based Attention-guided Convolutional Neural Network [3.2480194378336464]
  動脈スピンラベリング(ASL)MRIは、脳の血液力学的測定のための非侵襲的、非放射能的、および比較的安価なイメージング技術です。 本稿では,ASLをPET画像に変換する畳み込みニューラルネットワーク(CNN)モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-08T22:06:02Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。