論文の概要: A Physiology-Informed Digital Twin Framework for Simulating Liver Health Progression

• arxiv url: http://arxiv.org/abs/2608.14969v1
• Date: Sat, 15 Aug 2026 01:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.139237
• Title: A Physiology-Informed Digital Twin Framework for Simulating Liver Health Progression
• Title（参考訳）: 生理的インフォームド・デジタルツイン・フレームワークによる肝臓の健康状態のシミュレーション
• Abstract要約: 肝機能と早期疾患進展の経時的シミュレーションを目的とした生理的インフォームド型ヒト肝双生児について検討した。 HEPATWINと呼ばれるこのモデルは、炭水化物、脂質、タンパク質代謝、ビリルビン、胆汁生産、解毒などの重要な肝プロセスを統合する。
• 参考スコア（独自算出の注目度）: 3.2957337131930493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a physiology-informed digital twin of the human liver designed for longitudinal simulation of liver function and early-stage disease progression. The model, referred to as HEPATWIN, integrates key hepatic processes, including carbohydrate, lipid, and protein metabolism, bilirubin conjugation, bile production, and detoxification, within a unified systems-level framework to generate clinically observable biomarker trajectories. Unlike purely data-driven approaches, HEPATWIN incorporates mechanistic representations of liver physiology and patient-specific inputs such as diet, activity, and baseline biomarkers to simulate disease evolution over time. To ensure consistency with clinical progression patterns, we introduce a stage-transition-driven calibration mechanism that aligns simulated outputs with population-level biomarker distributions across disease stages, including NAFLD, fibrosis, and cirrhosis. Validation using the NIDDK NAFLD dataset demonstrates that HEPATWIN produces longitudinal biomarker estimates within clinically acceptable ranges and can forecast trajectories over multi-year horizons. Furthermore, simulated biomarkers retain sufficient clinical signal to support downstream NASH detection with competitive performance relative to models using ground-truth laboratory data. These results highlight the potential of physiology-informed digital twins for personalized, non-invasive diagnosis and prediction of organ health in general and liver health monitoring in particular.
• Abstract（参考訳）: 肝機能と早期疾患進展の経時的シミュレーションを目的とした生理的インフォームド型ヒト肝双生児について検討した。 HEPATWINと呼ばれるこのモデルは、炭水化物、脂質、タンパク質代謝、ビリルビンの共役、胆汁生産、解毒などの重要な肝過程を統合されたシステムレベルの枠組みに統合し、臨床的に観察可能なバイオマーカーの軌跡を生成する。 純粋なデータ駆動のアプローチとは異なり、HEPATWINは肝生理学の機械的表現と、食事、活動、ベースラインバイオマーカーなどの患者固有の入力を組み込んで、時間とともに疾患の進化をシミュレートする。 臨床経過パターンとの整合性を確保するため,NAFLD,線維症,肝硬変などの疾患ステージにおいて,シミュレートアウトプットと集団レベルのバイオマーカー分布を整合させる段階遷移駆動キャリブレーション機構を導入する。 NIDDK NAFLDデータセットを用いた検証は、HEPATWINが臨床的に許容範囲内で長手バイオマーカーの推定を生成し、多年の地平線上で軌跡を予測できることを実証している。 さらに, 模擬バイオマーカーは, 下流のNASH検出を支援するのに十分な臨床信号を保持する。 以上の結果から, 全身および肝の健康モニタリングにおいて, 生理的インフォームドデジタル双生児が, パーソナライズされた非侵襲的診断と臓器の健康予測を行う可能性が示唆された。

関連論文リスト

• Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
  Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。 反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。 MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
  論文  参考訳（メタデータ） (2026-07-28T07:54:43Z)
• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• CoDaS: AI Co-Data-Scientist for Biomarker Discovery via Wearable Sensors [44.01195029438923]
  バイオマーカー発見を反復的プロセスとして構築するシステムであるCoDaS(AI Co-Data-Scientist)を紹介する。 コホートは計9,279人、CoDaSは41人のメンタルヘルスと25人のメタボリックな結果を得た。 CoDaSは、両データセットの概日不安定性に関連する特徴を睡眠時間変動に反映した。
  論文  参考訳（メタデータ） (2026-04-16T04:47:55Z)
• SAGE: Agentic Framework for Interpretable and Clinically Translatable Computational Pathology Biomarker Discovery [0.8778472217028965]
  SAGEは生物学的な証拠を根拠として、解釈可能な、エンジニアリングされた病理バイオマーカーを識別するエージェントAIシステムである。 SAGEは、文学的アンコール推論とマルチモーダルデータ分析を統合し、画像由来の特徴と、遺伝子発現などの分子バイオマーカーと、臨床的に関連する結果とを関連付ける。
  論文  参考訳（メタデータ） (2026-02-01T01:12:12Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• How Effectively Can Large Language Models Connect SNP Variants and ECG Phenotypes for Cardiovascular Risk Prediction? [20.329484401428815]
  心疾患やSNPを予測するための微調整LDMの可能性を探る。 我々は、LLMが構造的および半構造的ゲノムデータから潜伏する生物学的関係を学習する方法を評価する。 この結果は、早期発見、リスクアセスメント、そして究極的には心臓医療におけるパーソナライズド医療の進歩に寄与するLSMsの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-08-10T00:19:29Z)
• Advancing Digital Precision Medicine for Chronic Fatigue Syndrome through Longitudinal Large-Scale Multi-Modal Biological Omics Modeling with Machine Learning and Artificial Intelligence [0.0]
  筆者らは,ME/CFSの最もリッチな長手マルチオミクスデータセットを用いた,説明可能なDeep LearningフレームワークであるBioMapAIを開発した。 このデータセットには、腸メダゲノミクス、血漿代謝、免疫プロファイリング、血液検査、臨床症状が含まれる。 マルチオミクスを症状マトリックスに接続することにより、BioMapAIは疾患特異的バイオマーカーと症状特異的バイオマーカーの両方を特定し、症状を再構築し、疾患分類における最先端の精度を達成した。
  論文  参考訳（メタデータ） (2025-06-18T15:31:26Z)
• Multimodal AI-driven Biomarker for Early Detection of Cancer Cachexia [14.27396467108753]
  がんキャッシュキシアは多因子症候群であり、進行性筋肉の洗浄、代謝異常、全身炎症を特徴とする。 キャッシュキシアに決定的なバイオマーカーは存在しない。 本研究では,早期がんキャッシュリア検出のためのマルチモーダルAIベースのバイオマーカーを提案する。
  論文  参考訳（メタデータ） (2025-03-09T22:32:37Z)
• Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach [0.9503773054285559]
  肝疾患は世界的な健康上の課題となる。 ECGは、心臓血管と肝の相互作用を捉えて肝疾患の検出を可能にする。 肝疾患を検出するため,心電図機能を用いた木ベース機械学習モデルを訓練した。
  論文  参考訳（メタデータ） (2024-12-04T21:11:34Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)

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。