Fugu-MT 論文翻訳(概要): Cardiovascular Digital Twins from Physics Based to Data Driven Approaches

論文の概要: Cardiovascular Digital Twins from Physics Based to Data Driven Approaches

arxiv url: http://arxiv.org/abs/2608.02135v1
Date: Mon, 03 Aug 2026 12:23:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.527835
Title: Cardiovascular Digital Twins from Physics Based to Data Driven Approaches
Title（参考訳）: データ駆動型アプローチに基づく物理からの心血管性デジタル双生児
Abstract要約: 心臓血管系デジタル双生児は、診断、予後、治療最適化をサポートするために臨床データとともに進化する患者固有の計算モデルを作成することを目的としている。力学モデルは生理学的解釈可能性を提供するが、計算的に要求される一方で、データ駆動型アプローチはスケーラビリティを向上するが、ロバスト性は制限される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cardiovascular digital twins aim to create patient-specific computational models that evolve with clinical data to support diagnosis, prognosis, and therapy optimisation. Mechanistic models provide physiological interpretability but remain computationally demanding, whereas data-driven approaches improve scalability yet risk limited robustness. Emerging physics-informed, graph-based, and hybrid methods integrate physical constraints with relational learning across vascular networks. We review modelling paradigms, data assimilation frameworks, validation challenges, and translational pathways toward clinically deployable cardiovascular digital twins.
Abstract（参考訳）: 心臓血管系デジタル双生児は、診断、予後、治療最適化をサポートするために臨床データとともに進化する患者固有の計算モデルを作成することを目的としている。力学モデルは生理学的解釈可能性を提供するが、計算的に要求される一方で、データ駆動型アプローチはスケーラビリティを向上するが、ロバスト性は制限される。創発的な物理インフォームド、グラフベース、ハイブリッドな手法は、物理的制約と血管ネットワーク間の関係学習を統合している。臨床応用可能な心血管デジタル双生児に対するモデリングパラダイム,データ同化フレームワーク,検証課題,翻訳経路について検討する。

関連論文リスト

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)
From Brain Models to Executable Digital Twins: Execution Semantics and Neuro-Neuromorphic Systems [51.82266520875928]
この調査では、実行のレベルでアプローチを比較するための統一的な視点として、物理的に制約された実行可能性を紹介します。本稿では,孤立オフラインモデルから協調シミュレーション,オンラインデータによるディジタル双生児の連続実行に至るまで,実行体制の分類について提案する。実行可能性の概念は、なぜ正確性だけで不十分なのかを明確にし、セマンティック・インターオペラビリティ、ハイブリッド・タイムの正確性、評価プロトコル、スケーラブルな同化、安全なクローズドループ検証を中心にしたアジェンダを動機付けている。
論文参考訳（メタデータ） (2026-04-15T07:34:46Z)
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)
Physics-informed self-supervised learning for predictive modeling of coronary artery digital twins [33.58746991219774]
PINS-CADは物理情報を用いた自己教師型学習フレームワークである。それは、20万の合成冠動脈デジタル双生児にグラフニューラルネットワークを事前訓練して、圧力と流れを予測する。 PINS-CADはAUCの0.73で将来の心血管イベントを予測し、臨床リスクスコアとデータ駆動ベースラインを上回っている。
論文参考訳（メタデータ） (2025-11-25T15:01:46Z)
A Brief History of Digital Twin Technology [10.744216642614214]
デジタルツイン技術は、産業採用を通じて進歩し、医療変革を引き起こしている。デジタルツイン(Digital twin)は、物理システムのデータ駆動仮想システムで、リアルタイムデータストリームを通じて継続的に更新される。医学では、デジタルツインは画像、バイオセンサー、計算モデルを統合し、患者固有のシミュレーションを生成する。
論文参考訳（メタデータ） (2025-11-24T02:03:55Z)
Med-Real2Sim: Non-Invasive Medical Digital Twins using Physics-Informed Self-Supervised Learning [15.106435744696013]
デジタルツイン(Digital twin)は、数学的モデリングを用いてその定義する特徴を特徴づけ、シミュレートする現実世界の物理現象の仮想レプリカである。非侵襲的な患者健康データのみを用いてデジタル双対モデルパラメータを同定する手法を提案する。
論文参考訳（メタデータ） (2024-02-29T23:04:42Z)
Digital Twins for Patient Care via Knowledge Graphs and Closed-Form Continuous-Time Liquid Neural Networks [0.0]
デジタル双生児は、製造業、サプライチェーンのロジスティクス、土木インフラなどの産業で急速に勢いを増している。マルチモーダル患者データを用いた複雑な疾患のモデル化の課題と、その解析の複雑さは、生体医療分野におけるデジタル双生児の採用を阻害している。本稿では,計算コストとモデリング複雑さによる臨床双対モデリングの障壁に対処する新しい枠組みを提案する。
論文参考訳（メタデータ） (2023-07-08T12:52:31Z)
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)
Graph representation forecasting of patient's medical conditions: towards a digital twin [0.0]
複数組織におけるACE2過剰発現が心血管機能に及ぼす影響について検討した。本稿では,分子データを用いた大規模な構成可能な臨床モデルの統合という概念の実証を行う。
論文参考訳（メタデータ） (2020-09-17T13:49:48Z)
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。