論文の概要: ENC-ODE: Event-level Neurodegenerative Modeling in Continuous Time with Neural ODEs
- arxiv url: http://arxiv.org/abs/2606.30398v1
- Date: Mon, 29 Jun 2026 14:47:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.288757
- Title: ENC-ODE: Event-level Neurodegenerative Modeling in Continuous Time with Neural ODEs
- Title（参考訳）: ENC-ODE: ニューラルネットワークを用いた連続時間における事象レベル神経変性モデリング
- Abstract要約: ニューラル正規微分方程式を用いた連続時間における事象レベルの神経変性モデルであるEMC-ODEを提案する。
ENC-ODEは診断条件付き連続力学を用いて臨床イベントをモデル化することで将来的なバイオマーカーの進化を予測する。
- 参考スコア（独自算出の注目度）: 14.35120592251905
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurately predicting the temporal evolution of clinical biomarkers is crucial for the early diagnosis and management of neurodegenerative diseases such as Alzheimer's disease. However, this relies on longitudinal data to capture biomarker changes over time, which is often sparse and irregular due to the high cost, labor-intensive nature, and patient burden. To address these challenges, we propose ENC-ODE, an Event-level Neurodegenerative modeling in Continuous time with neural Ordinary Differential Equations. ENC-ODE predicts future biomarker evolution by modeling clinical events through diagnosis-conditioned continuous dynamics. A target-conditioned attention mechanism weights and aggregates event-level predictions for the target time and modality without history compression. Extensive experiments on Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset demonstrate that ENC-ODE outperforms representative sequence models while offering a scalable and neuroscientifically grounded solution for clinical support. The code is available at https://github.com/JardinDelSol/enc-ode.
- Abstract（参考訳）: 臨床バイオマーカーの時間的進化を正確に予測することは、アルツハイマー病などの神経変性疾患の早期診断と管理に不可欠である。
しかし、これは、コスト、労働集約性、および患者の重荷のために、しばしば希少で不規則なバイオマーカーの変化を捉えるために、経時的なデータに依存している。
これらの課題に対処するために、ニューラル正規微分方程式を用いた連続時間におけるイベントレベルの神経変性モデリングであるNC-ODEを提案する。
ENC-ODEは診断条件付き連続力学を用いて臨床イベントをモデル化することで将来的なバイオマーカーの進化を予測する。
目標条件付アテンション機構は、履歴圧縮なしで、目標時間とモダリティのイベントレベル予測を重み付け、集約する。
Alzheimer's Disease Neuroimaging Initiative (ADNI)データセットの大規模な実験は、EMC-ODEが臨床支援のためにスケーラブルで神経科学的に根ざしたソリューションを提供しながら、代表的シーケンスモデルより優れていることを示した。
コードはhttps://github.com/JardinDelSol/enc-odeで公開されている。
関連論文リスト
- Longitudinal Bayesian Learning of Continuous Disease Position across the Alzheimer's Disease Continuum [57.659917052892155]
縦型拡散テンソルイメージング(DTI)による病気の重症度を連続的に推定する縦型ベイズ学習フレームワークを提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)コホートの実験は、DCPが代表的疾患進行法より一貫して優れていることを示した。
以上の結果から,DCSはアルツハイマー病の進行を連続的に評価するための定量的な画像由来の表現を提供する可能性が示唆された。
論文 参考訳（メタデータ） (2026-08-19T20:41:26Z) - SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease [18.4869028609927]
本稿では不規則な長手fMRIコネクトームモデリングのためのグラフ匿名微分方程式(SDE)による時空間ニューラルネットワークを提案する。
このフレームワークは、まずSDEベースの再構成モジュールを使用して、不規則な観測から連続的な潜航軌道を復元する。
時間的進化をさらにモデル化するために、ハイパーグラフパラメータは、スキャン間隔で条件付けられたSDE制御されたニューロイメージングダイナミクスを介して進化する。
論文 参考訳（メタデータ） (2026-03-20T19:31:05Z) - ODEBrain: Continuous-Time EEG Graph for Modeling Dynamic Brain Networks [33.66198565629555]
ODEBRAINは、一般化と能力の強化によるEEGダイナミクスの予測において、既存の方法よりも大幅に改善することができる。
我々の設計は、潜伏表現が任意の時点における複雑な脳の状態の変動をキャプチャできることを保証する。
論文 参考訳（メタデータ） (2026-02-26T17:59:10Z) - 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) - Uncovering Alzheimer's Disease Progression via SDE-based Spatio-Temporal Graph Deep Learning on Longitudinal Brain Networks [18.54013631358448]
我々は、将来のアルツハイマー病(AD)の進行を予測するニューラルネットワークフレームワークを開発する。
筆者らの枠組みは, 地域的, 結合的重要性の低い確率を効果的に学習する。
以上の結果から,AD進行の早期・個別化予測における時間グラフ学習の可能性が示唆された。
論文 参考訳（メタデータ） (2025-09-26T01:02:34Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - 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) - 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) - COPER: Continuous Patient State Perceiver [13.735956129637945]
本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。
ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。
提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
論文 参考訳（メタデータ） (2022-08-05T14:32:57Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Exploratory Hidden Markov Factor Models for Longitudinal Mobile Health
Data: Application to Adverse Posttraumatic Neuropsychiatric Sequelae [6.0431675579125415]
外傷性神経精神医学の後遺症(APNS)は、外傷性曝露後、退役軍人や数百万人のアメリカ人の間で一般的である。
過去数十年にわたってAPNSで多くの研究が行われてきたが、基礎となる神経生物学的メカニズムの理解は限られている。
論文 参考訳（メタデータ） (2022-02-25T16:53:22Z) - 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。