論文の概要: Robust Neural Stimulation Response Modeling Through Meta-Learning and Pretraining
- arxiv url: http://arxiv.org/abs/2608.26649v1
- Date: Thu, 27 Aug 2026 05:59:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.253541
- Title: Robust Neural Stimulation Response Modeling Through Meta-Learning and Pretraining
- Title（参考訳）: メタラーニングとプレトレーニングによるロバストニューラルネットワーク刺激応答モデリング
- Abstract要約: メタラーニングとプレトレーニングが神経刺激応答モデリングに応用可能であることを示す。
モデル非依存メタラーニング(MAML)に基づく新しいアーキテクチャとアルゴリズムを用いて、TBFMをクロスセッションプレトレーニングで拡張する。
以上の結果から,刺激応答におけるクロスセッション構造は,事前訓練を支援するのに十分であることがわかった。
- 参考スコア（独自算出の注目度）: 2.2052675660436134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Model-based closed-loop neural stimulation holds promise for therapeutic applications ranging from Parkinson's disease to sensory restoration, but deployment has been limited by two obstacles: 1) forecasting models for predicting the consequences of stimulation fail catastrophically on a meaningful fraction of sessions, and 2) per-session calibration requirements are often incompatible with clinical constraints. We address both by demonstrating, for the first time, that meta-learning and pretraining can be applied to neural stimulation response modeling. Methods: Temporal basis function models (TBFMs) forecast state-dependent neural responses to stimulation. We extend TBFMs with cross-session pretraining using a novel architecture and algorithm based on model-agnostic meta-learning (MAML), evaluating them on 40 sessions of optogenetic stimulation in primary sensorimotor cortex of two non-human primates. Results: Meta-learning substantially reduces catastrophic forecast failure: for a 1k calibration set size, sessions with test R-squared < 0.05 drop from 16 of 40 (single-session training) to 1 (MAML-pretrained), and prediction intervals become significantly narrower (p < 0.05). Calibration requirements are reduced by 50-90% at matched accuracy, enabling experiments otherwise infeasible within clinical session-time constraints. Conclusion: Our results demonstrate that cross-session structure in stimulation responses is consistent enough to support pretraining, providing the first empirical evidence that meta-learning approaches are viable for neural stimulation. Significance: The robustness and sample efficiency gains directly address known obstacles to deploying model-based stimulation controllers. Our results motivate community efforts to assemble standardized multi-site stimulation datasets and to further explore meta-learning for robust closed-loop stimulation.
- Abstract（参考訳）: 目的:モデルに基づくクローズドループ神経刺激は、パーキンソン病から感覚回復まで、治療の応用を約束するが、展開には2つの障害がある。
1)刺激の結果を予測するための予測モデルは、有意義なセッション数で破滅的に失敗し、
2) セッションごとの校正要件は臨床上の制約と相容れないことが多い。
メタラーニングとプレトレーニングが神経刺激応答モデリングに応用できることを初めて示すことで、この問題に対処する。
方法: 時間ベース関数モデル(TBFM)は刺激に対する状態依存神経反応を予測する。
我々は,新しいアーキテクチャとモデル非依存メタラーニング(MAML)に基づくアルゴリズムを用いて,TBFMをクロスセッションプレトレーニングにより拡張し,これらを2つの非ヒト霊長類の一次感覚運動野における40のセッションで評価した。
結果: メタラーニングは1kキャリブレーションセットサイズにおいて, テストR-squared <0.05ドロップのセッションを40点中16点から1点(MAML事前訓練)に減らし, 予測間隔が大幅に狭くなる(p<0.05)。
校正要件は一致した精度で50-90%削減され、臨床セッション時間制約の中では不可能な実験が可能になる。
結論: 刺激応答におけるクロスセッション構造は, 事前学習を支援するのに十分な整合性を示し, メタラーニングアプローチが神経刺激に有効であることを示す最初の実証的証拠となった。
意義:ロバスト性とサンプル効率は、モデルベースの刺激コントローラを配置する際の既知の障害に直接対処する。
本研究は, 標準化された多地点刺激データセットを収集し, より堅牢な閉ループ刺激のためのメタラーニングを探求するコミュニティの取り組みを動機づけるものである。
関連論文リスト
- Doubly Robust Proxy Causal Learning with Neural Mean Embeddings [58.8808794752741]
我々は、連続的かつ構造化された治療を用いて因果学習をプロキシするための、神経的に二重に頑健なフレームワークを開発する。
このフレームワークは、人口、不均一、条件付き線量応答関数をカバーし、完全な応答曲線推定器を生成する。
合成および画像評価ベンチマーク全体で、提案した推定器は既存のベースラインと単一ブリッジニューラル推定器より優れている。
論文 参考訳（メタデータ） (2026-05-10T12:50:25Z) - Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - Latent Neural-ODE for Model-Informed Precision Dosing: Overcoming Structural Assumptions in Pharmacokinetics [3.0991186209192794]
タクロリムスAUC予測のための遅延正規微分方程式(Latent ODE)に基づく新しいデータ駆動方式を提案する。
このディープラーニングアプローチは、疎い臨床データから個別化されたダイナミクスを直接学習する。
潜在ODEモデルは、標準的な仮定から逸脱した基盤となる生物学的メカニズムであっても、優れた堅牢性を示し、高い精度を維持した。
論文 参考訳（メタデータ） (2026-02-03T07:30:48Z) - Temporal Basis Function Models for Closed-Loop Neural Stimulation [1.9686770963118383]
クローズドループ神経刺激はパーキンソン病(PD)のような神経疾患に対する新しい治療法を提供する
人工知能(AI)技術が個々の患者に対してクローズドループ刺激を調整できるのか、あるいは新たな治療法を特定できるのかはまだ明らかになっていない。
これらの問題に対処するための時間的基底関数モデル(TBFM)を提案する。
論文 参考訳（メタデータ） (2025-07-21T06:21:58Z) - AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。
臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
論文 参考訳（メタデータ） (2025-06-04T11:50:55Z) - End-to-End Deep Learning for Real-Time Neuroimaging-Based Assessment of Bimanual Motor Skills [1.710146779965826]
本研究では,fNIRS信号を直接処理する新しいエンドツーエンドディープラーニングフレームワークを提案する。
平均分類精度は93.9%(SD 4.4)、一般化精度は92.6%(SD 1.9)である。
論文 参考訳（メタデータ） (2025-03-21T22:56:54Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Robustly Pre-trained Neural Model for Direct Temporal Relation
Extraction [10.832917897850361]
BERT (Bidirectional Representation using Transformer) のいくつかの変種について検討した。
2012 i2b2 時間関係課題データセットのセマンティックな部分集合である直接時間関係データセットを用いて,これらの手法の評価を行った。
結果: 10倍のコーパスを含む事前学習戦略を取り入れたRoBERTaは,F値の絶対スコア(1.00スケール)を0.0864改善し,SVMモデルで達成した従来の最先端性能と比較して誤差率を24%低減した。
論文 参考訳（メタデータ） (2020-04-13T22:01:38Z)
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。