論文の概要: Longitudinal Bayesian Learning of Continuous Disease Position across the Alzheimer's Disease Continuum
- arxiv url: http://arxiv.org/abs/2608.19436v1
- Date: Wed, 19 Aug 2026 20:41:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.395913
- Title: Longitudinal Bayesian Learning of Continuous Disease Position across the Alzheimer's Disease Continuum
- Title（参考訳）: アルツハイマー病連続期における連続性疾患位置の縦断的ベイズ学習
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 57.659917052892155
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Alzheimer's disease (AD) progresses as a continuous biological process, whereas most existing neuroimaging-based artificial intelligence methods remain limited to discrete diagnosis or clinical score prediction from cross-sectional imaging. In this work, we propose Disease Continuum Positioning (DCP), a longitudinal Bayesian Learning framework that continuously estimates disease severity from longitudinal diffusion tensor imaging (DTI). Specifically, DCP models disease severity as a low-dimensional probabilistic latent variable by jointly integrating longitudinal observations with weak clinical supervision, from which the proposed Disease Continuum Score (DCS) is derived to quantify an individual's position along the Alzheimer's disease continuum together with its associated uncertainty. Extensive experiments on the Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort demonstrate that DCP consistently outperforms representative disease progression methods. More importantly, comprehensive validation analyses show that DCS accurately characterizes disease severity, exhibits strong clinical relevance, preserves longitudinal disease evolution, and predicts future disease conversion. These results suggest that DCS provides a quantitative imaging-derived representation for continuous assessment of Alzheimer's disease progression beyond conventional diagnostic labels and clinical scores.
- Abstract（参考訳）: アルツハイマー病(AD)は連続的な生物学的プロセスとして進行するが、既存の神経画像ベースの人工知能手法の多くは、断面積画像による離散診断や臨床スコア予測に限られている。
本研究では,縦型拡散テンソルイメージング(DTI)から連続的に疾患の重症度を推定する縦型ベイズ学習フレームワークである病因連続位置決め(DCP)を提案する。
具体的には、DCPは、病気の重症度を低次元確率潜在変数としてモデル化し、縦断的観察と弱い臨床監督を併用し、提案された病状連続スコア(DCS)を導出し、アルツハイマー病連続体に沿った個人の位置を、関連する不確実性とともに定量化する。
アルツハイマー病神経画像イニシアチブ(ADNI)コホートにおける大規模な実験は、DCPが代表的疾患進行法を一貫して上回っていることを示した。
さらに、総合的な検証分析により、DCSは疾患の重症度を正確に評価し、強い臨床関連性を示し、縦断的な疾患の進化を保ち、将来的な疾患の転換を予測することが示されている。
以上の結果から,DCSは,従来の診断ラベルや臨床検査値を超えて,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イメージングによる表現を提供する可能性が示唆された。
関連論文リスト
- Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Explaining Unsupervised Disease Staging in Huntington's Disease: Insights into Model Representations and Clusters [0.0]
ハンティントン病(Huntington's disease、HD)は、運動、認知、行動に影響を及ぼす進行性神経変性疾患である。
教師なし機械学習アプローチは、疾患進行軌跡を明らかにする能力を示している。
抽出した特徴表現に説明可能性解析を適用して,これまで提案されてきたMLベースの疾患ステージリングフレームワークを拡張した。
論文 参考訳（メタデータ） (2026-06-05T10:46:24Z) - R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T02:54:10Z) - The Age-specific Alzheimer 's Disease Prediction with Characteristic Constraints in Nonuniform Time Span [4.942858330501419]
アルツハイマー病は認知機能の低下を特徴とする不安定な疾患である。
アルツハイマー病の予測に生成された画像の応用が課題となっている。
本研究は,定量的指標による逐次画像生成のための革新的な手法を提案する。
論文 参考訳（メタデータ） (2025-11-26T15:58:44Z) - Longitudinal Progression Prediction of Alzheimer's Disease with Tabular Foundation Model [2.693752235635378]
この研究は、L2C-TabPFNを導入し、L2C変換を事前訓練されたタブラル基礎モデル(TabPFN)と統合し、アルツハイマー病の発症を予測する。
L2C-TabPFNは、シーケンシャルな患者の記録を固定長の特徴ベクトルに変換し、診断、認知スコア、心室容積の堅牢な予測を可能にする。
論文 参考訳（メタデータ） (2025-08-25T04:24:51Z) - Dynamic Classification of Latent Disease Progression with Auxiliary Surrogate Labels [4.997489272248076]
進化する健康情報に基づく疾患進展予測は、真の疾患状態が不明な場合に困難である。
我々は,主観的ラベルを用いた適応的前方回帰アルゴリズムを開発した。
漸近特性が確立され, 有限試料による顕著な改善が示された。
論文 参考訳（メタデータ） (2024-12-11T04:14:15Z) - Medical Video Generation for Disease Progression Simulation [40.38123964910394]
疾患関連画像と映像の特徴を制御できる第1の医用ビデオ生成フレームワークを提案する。
胸部X線,眼底写真,皮膚画像の3領域にまたがる枠組みを検証した。
MVGは、コヒーレントで臨床的に妥当な疾患軌跡を発生させる上で、ベースラインモデルよりも著しく優れている。
論文 参考訳（メタデータ） (2024-11-18T18:37:09Z) - 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) - Expert Uncertainty and Severity Aware Chest X-Ray Classification by
Multi-Relationship Graph Learning [48.29204631769816]
我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。
以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-09-06T19:19:41Z) - Deep Recurrent Model for Individualized Prediction of Alzheimer's
Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。
本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-06T08:08:00Z) - 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。