論文の概要: Neural operator-based digital twins for modeling amyloid-$β$ and tau propagation and treatment optimization in Alzheimer's disease
- arxiv url: http://arxiv.org/abs/2606.25185v1
- Date: Tue, 23 Jun 2026 21:23:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.147979
- Title: Neural operator-based digital twins for modeling amyloid-$β$ and tau propagation and treatment optimization in Alzheimer's disease
- Title（参考訳）: アルツハイマー病におけるアミロイド-β$およびタウ伝播と治療最適化のための神経オペレーターによるデジタル双生児
- Authors: Xiaofeng Xu, Tingting Dan, Zifan Zhou, Bin Li, Guorong Wu, Wenrui Hao,
- Abstract要約: 臨床観察から直接バイオマーカーのダイナミクスを学習するデータ駆動型フレームワークを開発した。
予測精度はアミロイドが87%,タウが81%であった。
- 参考スコア（独自算出の注目度）: 13.799382465474617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately predicting the spatiotemporal evolution of amyloid-$β$ and tau proteins at the individual level is critical for improving the diagnosis and treatment of Alzheimer's disease. We consider the problem of constructing patient-specific digital twins that model the propagation of these biomarkers on the cortical surface using reaction--diffusion dynamics. A major challenge is that the underlying nonlinear aggregation mechanisms are unknown and must be inferred from sparse, noisy, and heterogeneous longitudinal PET imaging data. To address this, we develop a data-driven framework that learns biomarker dynamics directly from clinical observations. The approach combines operator learning with reduced-order representations to infer governing equations of disease progression from data. Using this framework, we achieve predictive accuracies of 87\% for amyloid-$β$ and 81\% for tau. Building on the learned dynamics, we further formulate a PDE-constrained optimal control problem to design personalized therapeutic strategies that regulate pathological protein propagation. By integrating data-driven dynamical modeling with treatment optimization, the proposed digital twin framework provides an interpretable and predictive platform for understanding disease progression and enabling precision interventions in neurodegenerative disorders.
- Abstract（参考訳）: アミロイド-β$およびタウタンパク質の個別レベルでの時空間進化を正確に予測することはアルツハイマー病の診断と治療を改善するために重要である。
反応拡散ダイナミクスを用いて,これらの生体マーカーの皮質表面への伝播をモデル化する患者固有のデジタル双生児を構築することの問題点を考察する。
主な課題は、基礎となる非線形凝集機構が未知であり、スパース、ノイズ、異種縦型PET画像データから推測する必要があることである。
そこで本研究では,臨床観察から直接バイオマーカーのダイナミクスを学習するデータ駆動型フレームワークを開発した。
このアプローチは、データから病気の進行の制御方程式を推測するために、演算子学習と低次表現を組み合わせる。
この枠組みを用いて,アミロイド=β$,タウ=81.%の予測精度を87.%とする。
学習力学に基づいてPDE制約の最適制御問題をさらに定式化し,病的タンパク質の増殖を制御するパーソナライズされた治療戦略を設計する。
データ駆動動的モデリングと治療最適化を統合することにより、提案されたデジタルツインフレームワークは、疾患の進行を理解し、神経変性疾患の精密介入を可能にする、解釈可能で予測可能なプラットフォームを提供する。
関連論文リスト
- Treatment-Conditioned Diffusion for Forecasting Neurodegenerative Disease Progression [0.23638836001618782]
患者のDaTscan画像とレボドーパ相当の日用量を1年以上にわたってスクリーニングし,高忠実度未来の脳状態を予測できる治療条件拡散フレームワークを提案する。
本フレームワークは, 鋭い解剖学的境界を保ち, ベースラインに対する臨床的忠実度を著しく向上させ, MSEが14.0%, MAEが7.2%, SSIMが4.9%向上した。
論文 参考訳（メタデータ） (2026-05-28T13:44:56Z) - Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。
本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
論文 参考訳（メタデータ） (2026-05-13T14:52:12Z) - CognitiveTwin: Robust Multi-Modal Digital Twins for Predicting Cognitive Decline in Alzheimer's Disease [0.2566571621858396]
本稿では,患者固有の認知軌道を予測するデジタルツインフレームワークであるCognitiveTwinを紹介する。
我々は,TADPOLEデータセット中の1,666人のデータを用いて,このフレームワークを訓練し,評価した。
論文 参考訳（メタデータ） (2026-04-24T10:40:51Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - 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) - Learning Patient-Specific Spatial Biomarker Dynamics via Operator Learning for Alzheimer's Disease Progression [9.499341016835121]
アルツハイマー病(英語: Alzheimers disease、AD)は、複雑で多因子性神経変性疾患である。
近年の治療法の進歩にもかかわらず、個別の疾患軌跡を正確に予測できる予測モデルはまだ限られている。
本稿では、AD進行のパーソナライズされたモデリングのための機械学習に基づく演算子学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-22T01:52:28Z) - 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) - Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks [0.0]
本稿では,GBL成長の数学的モデルに対する概念実証を行い,リアルタイム予測と患者固有のパラメータ同定を可能にする。
ニューラルネットワークサロゲートは、腫瘍の進化からモデルパラメータへの逆マッピングを学習し、計算速度を著しく向上させる。
論文 参考訳（メタデータ） (2024-12-04T18:46:05Z) - 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) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。