論文の概要: DeMMO: Longitudinal and Cross-Disease Modelling of Digital Mobility Outcomes via Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2608.25073v2
• Date: Sun, 30 Aug 2026 14:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 15:47:04.069288
• Title: DeMMO: Longitudinal and Cross-Disease Modelling of Digital Mobility Outcomes via Multi-Task Learning
• Title（参考訳）: DeMMO:マルチタスク学習によるディジタルモビリティ成果の縦・横方向モデリング
• Abstract要約: ウェアラブルセンサから得られるデジタルモビリティ成果(DMO)は、疾患の進行を監視するための有望な手段である。 既存のDMO研究は、通常、1つの病気または1つの訪問に焦点を当てている。 縦長・多相・マルチアウトカム学習のための解釈可能なフレームワークであるDeMMOを提案する。
• 参考スコア（独自算出の注目度）: 6.318710451121123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital mobility outcomes (DMOs) derived from wearable sensors characterise mobility in daily life and offer a promising means of monitoring disease progression. However, existing DMO studies have typically focused on either a single disease or a single visit. To the best of our knowledge, this is the first study to systematically model and analyse longitudinal multivariate DMOs across diverse mobility-limiting diseases. Specifically, we propose DeMMO, an interpretable framework for longitudinal, multi-disease, and multi-outcome learning. DeMMO represents each disease--outcome objective using a longitudinal DMO coefficient matrix and combines temporal regularisation with stable and visit-specific feature selection. Its central technical contribution is an automatic cross-disease and cross-outcome relation-learning mechanism that infers signed relations directly from these longitudinal mappings, thereby enabling selective information sharing across cohorts without requiring paired participants. We evaluate DeMMO on the recently released, large-scale, multicentre Mobilise-D dataset, which comprises four participant-disjoint cohorts representing distinct mobility-limiting diseases, with each cohort contributing one or more clinical measurement outcomes. Compared with eight strong structural longitudinal and deep-regression baselines, DeMMO achieves the best overall predictive performance and outperforms the baselines for most individual outcomes. Stability selection further identifies reliable longitudinal DMO patterns that can inform subsequent clinical validation and disease monitoring. The implementation code is available at https://github.com/menghui-zhou/DeMMO.
• Abstract（参考訳）: ウェアラブルセンサによるデジタルモビリティ成果(DMO)は、日常生活におけるモビリティを特徴付け、疾患の進行をモニタリングする有望な手段を提供する。 しかし、既存のDMO研究は一般的に1つの病気または1つの訪問に焦点を当てている。 我々の知る限りでは、多彩な移動制限疾患にまたがる縦多変量DMOを体系的にモデル化し分析する最初の研究である。 具体的には、縦長・多相・マルチアウトカム学習のための解釈可能なフレームワークであるDeMMOを提案する。 DeMMOは、縦方向のDMO係数行列を用いて、各疾患のアウトカム目標を表現し、時間的正規化と安定した特徴選択と、訪問固有の特徴選択を組み合わせる。 その中心となる技術的貢献は、これらの長手マッピングから直接署名された関係を推論し、ペアの参加者を必要とせずにコホート間で選択的な情報共有を可能にする、自動横断的および相互アウトカム関係学習機構である。 DeMMOは4つの参加者が参加するコホートからなり,それぞれのコホートが1つ以上の臨床検査結果に寄与している。 8つの強い構造的長手および深度回帰ベースラインと比較して、DeMMOは最高の全体的な予測性能を達成し、ほとんどの個々の結果に対してベースラインを上回っている。 安定性の選択は、その後の臨床検証と疾患モニタリングを知らせる信頼できる経時的DMOパターンをさらに特定する。 実装コードはhttps://github.com/menghui-zhou/DeMMOで公開されている。

関連論文リスト

• LongMoE: Longitudinal Multimodal Learning via Trajectory-Aware Mixture-of-Experts [2.537429062537451]
  マルチモーダルな臨床学習は、画像、テキスト、パーソナライズされた健康記録を含む多様な患者データを統合するためにますます重要になっている。 モダリティの欠如(モダリティの任意の部分集合が患者訪問時に利用できない)、縦方向のダイナミクス(観察の診断上の意義は患者の進行する疾患の軌跡に依存する)の2つの根本的な課題に直面する。 両課題に共同で対処するための統合フレームワークであるLongMoE(Longitudinal Mixture-of-Experts)を提案する。
  論文  参考訳（メタデータ） (2026-06-06T07:50:41Z)
• M-IDoL: Information Decomposition for Modality-Specific and Diverse Representation Learning in Medical Foundation Model [53.96788246923603]
  マルチモーダル表現学習のための情報分解を導入したM-IDoLを提案する。 1.15万の医療画像の事前トレーニングにより、M-IDoL i)は21の下流臨床タスクに優れた一般化を提供する。
  論文  参考訳（メタデータ） (2026-04-10T04:06:11Z)
• Early Prediction of Multiple Sclerosis Disability Progression via Multimodal Foundation Model Benchmarks [0.0]
  本研究は, 軽度臨床データとConSONANCE臨床試験による毎日のデジタルFloodlightデータを用いて, 48週間, 72週間の障害を予測した。 我々は、FM(State-of-the-art foundation model)、カスタムマルチモーダルアテンションベースのトランスフォーマー、機械学習手法を採用した。 本研究は,複雑で多様な臨床・デジタル生命科学データから予測信号を抽出するためのFMとマルチモーダルアプローチの可能性を実証するものである。
  論文  参考訳（メタデータ） (2025-06-17T21:37:45Z)
• A Learnable Multi-views Contrastive Framework with Reconstruction Discrepancy for Medical Time-Series [8.741139851597364]
  本稿では、関連するタスクから外部データを取り込み、AE-GANを利用して事前知識を抽出することを提案する。 マルチヘッドアテンション機構を統合し,異なる視点から表現を適応的に学習するフレームワークであるLMCFを紹介する。 3つのターゲットデータセットの実験により、我々の手法が他の7つのベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-01-30T14:20:11Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
  本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。 本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
  論文  参考訳（メタデータ） (2025-01-13T15:47:02Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• 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)
• SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints [1.498084483844508]
  機械学習モデルは、自動MS病変セグメンテーションの大きな可能性を実証している。 SegHeDは、異種データを入力として組み込むことができる、新しいマルチデータセットマルチタスクセグメンテーションモデルである。 SegHeDは5つのMSデータセットで評価され、すべての、新しい、消滅するセグメンテーションで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-02T17:21:43Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
  実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。 近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。 SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
  論文  参考訳（メタデータ） (2024-04-13T13:39:26Z)
• C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
  ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-09T02:31:36Z)
• Predicting multiple sclerosis disease severity with multimodal deep neural networks [10.599189568556508]
  患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。 提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
  論文  参考訳（メタデータ） (2023-04-08T16:23:18Z)
• Benchmarking Continuous Time Models for Predicting Multiple Sclerosis Progression [46.394865849252696]
  多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。 最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。 公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。 最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
  論文  参考訳（メタデータ） (2023-02-15T18:45:32Z)
• Temporal Clustering with External Memory Network for Disease Progression Modeling [8.015263440307631]
  疾患進行モデリング(DPM)は、特定の疾患の進行の重症度を定量的に測定するために数学的枠組みを使用する。 DPMは、健康状態の予測、疾患ステージの分類、疾患軌跡の評価など、多くの点で有用である。
  論文  参考訳（メタデータ） (2021-09-29T02:32:06Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。