論文の概要: Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling

• arxiv url: http://arxiv.org/abs/2607.13984v1
• Date: Wed, 15 Jul 2026 16:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.82899
• Title: Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling
• Title（参考訳）: 多モード経験的ベイズ変分オートエンコーダによる縦・事象連成モデリング
• Abstract要約: 実験的なベイズ変分オートエンコーダ (EB-VAE) フレームワークを, 結合長手および時間-イベントモデリングに拡張する。 このフレームワークは、前述した共条件の経験的ベイズによって正規化された潜在個人効果を用いて、個人間の変動を表す。 ハイブリッドデコーダは従来報告された非線形混合効果推定値と広く一致した処理効果パラメータを復元した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal tumor measurements, dropout information, and genetic covariates provide complementary information about treatment response, but integrating these data sources within a single population modeling framework remains challenging. We extend the empirical Bayes variational autoencoder (EB-VAE) framework to joint longitudinal and time-to-event modeling and evaluate it on tumor growth data. The framework represents inter-individual variability using latent individual effects regularized by a covariate-conditioned empirical Bayes prior, while a decoder maps these latent effects to tumor-volume trajectories. To account for informative dropout, the decoder was augmented with a hazard model, yielding joint predictions of tumor growth and time to dropout. We further compared fully neural and hybrid semi-mechanistic decoder formulations and incorporated genomic covariates through a genetics-conditioned prior adaptation. The hybrid decoder recovered treatment-effect parameters broadly consistent with previously reported nonlinear mixed-effects estimates, while achieving prior predictive performance comparable to the neural decoder. The joint model reproduced both tumor-volume distributions and dropout patterns in held-out individuals, and genetic conditioning improved individual-level prior predictions in both cutaneous melanoma and breast cancer experiments. Stability selection identified several biologically plausible genetic indicators, including alterations in BRAF, NRAS, NF1, and MDM2. These results demonstrate that EB-VAE provides a flexible probabilistic framework for combining neural dynamics, mechanistic structure, time-to-event modeling, and high-dimensional covariates in pharmacometric applications.
• Abstract（参考訳）: 縦断的腫瘍計測、ドロップアウト情報、遺伝的共変体は治療反応の相補的な情報を提供するが、これらのデータソースを単一集団モデリングフレームワークに統合することは依然として困難である。 我々は,経験的ベイズ変量オートエンコーダ(EB-VAE)フレームワークを,関節長手および経時的モデリングに拡張し,腫瘍成長データ上で評価する。 このフレームワークは、前述した共変量条件の経験的ベイズによって規則化された潜伏個人効果を用いて個体間変動を表現し、デコーダはこれらの潜伏効果を腫瘍体積軌跡にマッピングする。 情報伝達性低下を考慮し,デコーダを危険モデルで拡張し,腫瘍の成長と退院までの時間について共同で予測した。 さらに,全神経およびハイブリッドセミメカニスティックデコーダの定式化を比較検討し,遺伝子組み換えによりゲノム共変体を組み込んだ。 ハイブリッドデコーダは、ニューラルデコーダに匹敵する事前予測性能を達成しつつ、従来報告された非線形混合エフェクト推定値と広く一致した治療効果パラメータを回復した。 関節モデルでは, 保留した個体の腫瘍体積分布とドロップアウトパターンの両方を再現し, 遺伝子条件付けにより皮膚メラノーマおよび乳癌実験における個体レベルの事前予測が改善した。 安定性の選択は、BRAF、NRAS、NF1、MDM2の変異を含む、生物学的に有望ないくつかの遺伝子指標を同定した。 これらの結果から,EB-VAEは力学,力学構造,時間-イベントモデリング,および薬理学応用における高次元共変量を組み合わせた柔軟な確率的フレームワークを提供することが示された。

関連論文リスト

• Neural ODE enhanced linear mixed effect models for estimating complex association patterns of time-varying covariates with the marker trajectory [0.3420768233632066]
  本稿では,線形混合効果フレームワークにニューラル正規微分方程式(Neural Ordinary Differential Equation,Neural ODE)を組み込むニューラルODE-LMMを提案する。 この方法では、BMIの軌跡依存的な関連と、認知的低下を伴うグルコースの断食が明らかにされる。
  論文  参考訳（メタデータ） (2026-08-30T10:45:02Z)
• Integrating Neural Encoders in Bayesian Generalized Linear Mixed Models for Multimodal Data [2.566287700129649]
  一般化線形混合モデル(GLMM)のための条件付きベイズ設計法を開発した。 我々は、GLMMの目的と協調して1つ以上のモダリティ固有のニューラルエンコーダを学習し、学習された表現に条件付きGLMMパラメータに対して分散補正段階MCMCを実行する。 このフレームワークは、予測性能を犠牲にすることなく、個人レベルと人口レベルの各モードの相対的重要性を微妙に評価することができる。
  論文  参考訳（メタデータ） (2026-07-06T04:01:22Z)
• 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)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Amortized In-Context Mixed Effect Transformer Models: A Zero-Shot Approach for Pharmacokinetics [0.0]
  Amortized In-Context Mixed-Effect Transformer (AICMET) モデルを提案する。 メカニカル・コンパートメンタル・プレファレンスと、文脈内ベイズ推論とを統一する。 実験の結果,AICMETは最先端の予測精度を達成し,患者間の変動を忠実に定量化することがわかった。
  論文  参考訳（メタデータ） (2025-08-21T15:45:17Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Adaptive Shrinkage Estimation For Personalized Deep Kernel Regression In Modeling Brain Trajectories [4.605794646684244]
  そこで我々は,脳バイオマーカーの予測を行うための,パーソナライズされたディープカーネル回帰フレームワークを提案する。 我々のアプローチでは、大きなコホートから脳の軌跡をキャプチャする集団モデルと、個々の軌跡をキャプチャする対象特異的モデルという2つの重要な要素を統合している。
  論文  参考訳（メタデータ） (2025-04-10T19:13:44Z)
• Prediction of cancer dynamics under treatment using Bayesian neural networks: A simulated study [0.0]
  我々は,治療中の癌動態を予測するために,サブポピュレーション動態の階層的ベイズモデルを構築した。 多発性骨髄腫 (MM) では, 血清M蛋白が腫瘍負担の指標としてよく知られている。
  論文  参考訳（メタデータ） (2024-05-23T12:47:19Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)

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。