論文の概要: Reverse Spatio-Temporal Disease Progression Modelling

• arxiv url: http://arxiv.org/abs/2609.14590v1
• Date: Sun, 13 Sep 2026 15:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.860434
• Title: Reverse Spatio-Temporal Disease Progression Modelling
• Title（参考訳）: 逆時空間病進行モデル
• Abstract要約: 本研究は,後天的な疾患の進行予測について検討することである。 凍結した3次元量子化されたベクトルオートエンコーダがコンパクトな離散潜在空間を定義する2段階モデルを用いる。 リカレントエンコーダは、遅延観測を逆時間順に読み出し、潜時状態を初期化し、ODEは軌道を越えて後方に統合される。
• 参考スコア（独自算出の注目度）: 0.4367123301317935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based spatio-temporal disease progression models commonly overlook the incubation period of progressive diseases, limiting the use of those models in early interventions, which are vital for not easily reversible diseases such as Alzheimer's. This is because, the existing deep learning based longitudinal disease-progression models are almost always run forward: from an observed baseline they predict future decline. In many clinical settings, however, imaging begins only after pathology is suspected or already visible, the earlier, healthier patient-specific reference was never acquired. To address this, we propose to study reverse disease progression prediction: given later diseased anatomy, reconstruct the unobserved healthier anatomy that preceded it. We use a two-stage model in which a frozen 3D vector-quantised autoencoder defines a compact discrete latent space, while a Neural Ordinary Differential Equation (ODE) learns continuous-time dynamics in that space. A recurrent encoder reads late observations in reverse temporal order, initialises the latent state, and the ODE is integrated backwards across the trajectory. On a controlled Morpho-MNIST benchmark with a sinusoidal perturbation, our model successfully recovered the unseen previous states from later observations of the non-monotonic trajectory. On longitudinal brain MRIs from Alzheimer's Disease Neuroimaging Initiative, at the task to recover the previous unseen trajectory towards healthy states of the patients from observed later diseased states, our model outperforms the baselines that uses copy-nearest and mean-observed, with positive disease-reversal scores in every diagnostic stratum. We hope that our work can provide insights and tools towards discovering the incubation periods from single-shot scans, and developing early interventions of diseases based on imaging.
• Abstract（参考訳）: 深層学習に基づく時空間性疾患進行モデルは通常、進行性疾患のインキュベーション期間を見落とし、早期介入におけるこれらのモデルの使用を制限する。 これは、既存のディープラーニングに基づく縦断的疾患進展モデルが、ほぼ常に前進しているためである。 しかし、多くの臨床では、画像診断は病理が疑われたり、すでに見えていたりした後で始まるが、より健康な患者固有の基準は得られなかった。 そこで本研究では,後天的な疾患の進行予測について検討し,その先行する未観察健康解剖を再構築することを提案する。 凍結した3次元ベクトル量子化オートエンコーダがコンパクトな離散潜在空間を定義する2段階モデルを用いており、一方、ニューラル正規微分方程式(ODE)はその空間で連続時間ダイナミクスを学習する。 リカレントエンコーダは、遅延観測を逆時間順に読み出し、潜時状態を初期化し、ODEは軌道を越えて後方に統合される。 正弦波の摂動を制御したMorpho-MNISTベンチマークでは, 後続の非単調軌道の観測から未確認状態の回復に成功した。 アルツハイマー病神経画像イニシアチブの経時的脳MRIでは、後発病状態から患者の健康状態を回復する作業において、我々のモデルは、コピー・アネレストと平均観察値を用いて、すべての診断層で正の疾患・リバーサルスコアで、ベースラインを上回っている。 我々の研究は、単発スキャンからインキュベーション期間を発見し、画像に基づく疾患の早期介入を開発するための洞察とツールを提供できることを願っている。

関連論文リスト

• Longitudinal Bayesian Learning of Continuous Disease Position across the Alzheimer's Disease Continuum [57.659917052892155]
  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。
  論文  参考訳（メタデータ） (2026-08-19T20:41:26Z)
• Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model [4.65021411381981]
  ほとんどの縦方向のニューロイメージングデータセットは時間的にスパースで、被験者1人につき数回の追跡スキャンを行う。 本研究では, 時間とともに経時的解剖を効果的にモデル化し, 合成する新しい4D(3DxT)拡散型生成フレームワークを提案する。 本手法は、解剖学的に正確で、時間的整合性があり、臨床的に意味のある脳の軌跡を生成する際に、最先端のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2026-04-24T16:33:48Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data [12.210689327265072]
  アルツハイマー病(AD)の進行は、不規則にサンプリングされた縦型磁気共鳴画像(sMRI)データからモデル化される。 提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。 提案手法は,病状予測と認知スコア回帰の両面で,最先端モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-11-25T10:28:37Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• Transformer Model for Alzheimer's Disease Progression Prediction Using Longitudinal Visit Sequences [0.032771631221674334]
  アルツハイマー病(英: Alzheimer's disease、AD)は、世界中の何千万人もの人に影響を及ぼす治療法がない神経変性疾患である。 本稿では,対象者の来訪履歴から抽出した一連の訪問の特徴を用いて,次の臨床訪問におけるAD進行を予測するためのトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2025-07-05T04:35:04Z)
• Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
  今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。 時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
  論文  参考訳（メタデータ） (2024-05-14T17:15:28Z)
• 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)
• Learning Spatio-Temporal Model of Disease Progression with NeuralODEs from Longitudinal Volumetric Data [4.998875488622879]
  我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。 ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。 アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
  論文  参考訳（メタデータ） (2022-11-08T13:28:26Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)

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。