論文の概要: Predicting blood clot growth from sparse post-onset measurements with latent neural differential equations

• arxiv url: http://arxiv.org/abs/2608.08165v1
• Date: Sat, 08 Aug 2026 14:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.708656
• Title: Predicting blood clot growth from sparse post-onset measurements with latent neural differential equations
• Title（参考訳）: 潜時神経微分方程式を用いたスパース・ポスト・オンセット測定による血液凝固の予測
• Authors: Lennon J. Shikhman, Ying Qian, He Li,
• Abstract要約: 本稿では,スパース測定から未知のモデルパラメータを推定し,血栓の進行を予測する潜在神経微分方程式に基づく計算フレームワークを提案する。 凝固カスケードと拡散によって凝固物の成長が制御される多物理血液凝固モデルから生成されたデータを用いて,その枠組みを実証する。
• 参考スコア（独自算出の注目度）: 5.1891948564281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational models of blood clotting improve understanding of thrombus formation, but their clinical application remains limited because many model inputs are difficult to measure and patient-specific data are often sparse. We present a computational framework based on latent neural differential equations that infers unknown model parameters from sparse measurements and forecasts thrombosis progression. We demonstrate the framework using data generated from a multiphysics blood-clotting model in which clot growth is governed by the coagulation cascade and diffusion. Four known biochemical inputs (fibrinogen and factors IX, VIII, and V), together with sparse early clot-size observations, are used to infer the tissue-factor parameter and predict subsequent clot growth. We compare seven probabilistic methods: stochastic neural ordinary differential equations (SNODE), stochastic neural functional differential equations (SNFDE), a latent neural-process baseline, a monotone probabilistic deep ensemble, empirical trajectory retrieval, PCA-ridge Gaussian posterior, and Gompertz-curve retrieval. SNODE achieved the best performance in inferring the unknown input and forecasting future clot-growth trajectories. SNFDE performed similarly and consistently outperformed the other non-differential models. Prediction accuracy improved as more observations became available, whereas longer forecasting horizons increased uncertainty and decreased accuracy. Latent neural differential equations thus effectively combine parameter inference and clot-growth forecasting from sparse measurements, providing a promising foundation for personalized thrombosis modeling.
• Abstract（参考訳）: 血液凝固の計算モデルは血栓形成の理解を改善するが、多くのモデル入力は測定が困難であり、患者固有のデータは希少であるため、臨床応用は限られている。 本稿では,スパース測定から未知のモデルパラメータを推定し,血栓の進行を予測する潜在神経微分方程式に基づく計算フレームワークを提案する。 凝固カスケードと拡散によって凝固物の成長が制御される多物理血液凝固モデルから生成されたデータを用いて,その枠組みを実証する。 4つの既知の生化学的入力(フィブリノゲンおよび第IX因子、第8因子、第V因子)は、組織因子のパラメータを推測し、その後のクロート成長を予測するために用いられる。 確率的ニューラル常微分方程式 (SNODE) , 確率的ニューラル関数微分方程式 (SNFDE) , 潜時ニューラルプロセスベースライン, モノトン確率的深層アンサンブル, 経験的軌道探索, PCA-ridge Gaussian 後部, および Gompertz-curve 検索の7つの確率論的手法を比較した。 SNODEは未知の入力を推測し、将来のクロート成長軌道を予測する上で最高の性能を達成した。 SNFDEは同様に、一貫して他の非微分モデルよりも優れていた。 予測精度は、より多くの観測が可能になったときに向上したが、より長い予測地平線は不確実性を高め、精度を低下させた。 潜在神経微分方程式は、スパース測定からパラメータ推論とクロート成長予測を効果的に組み合わせ、パーソナライズされた血栓症モデリングの基礎となる。

関連論文リスト

• Continuous Temporal Learning of Probability Distributions via Neural ODEs with Applications in Continuous Glucose Monitoring Data [0.0]
  本稿では,連続時間プロセスの進化を捉えたガウス混合に基づく確率モデルを提案する。 本研究は,CGM (Continuous glucose monitoring) 時系列を主要な結果として扱う26週間の臨床試験において,本手法の有用性を概説する。
  論文  参考訳（メタデータ） (2025-05-13T15:57:06Z)
• Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
  低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。 我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。 数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-28T16:44:28Z)
• Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。 与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。 本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
  論文  参考訳（メタデータ） (2024-03-11T17:26:18Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Estimating Epistemic and Aleatoric Uncertainty with a Single Model [5.871583927216653]
  我々は,ハイパー拡散モデル(HyperDM)の新しいアプローチを提案する。 HyperDMは、予測精度を、場合によってはマルチモデルアンサンブルに匹敵する。 我々は,X線CTと気象温度予測の2つの異なる実世界の課題に対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-05T19:39:52Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。