Jun, 2024

使用神经随机微分方程对连续疾病轨迹和治疗效果进行概率性时间预测

PDF
TL;DR基于医学影像的个性化医学，可以准确预测未来个体化临床疾病进展和治疗反应，对于长期、复杂、异质性的无法治愈的疾病（如多发性硬化症（MS））的医疗和药物开发具有巨大影响。本文提出了第一个用于建模疾病进展的连续时间因果框架，利用神经随机微分方程（NSDE）。该因果推断模型以患者的高维影像（MRI）和表格数据为输入，预测潜空间中不同治疗的真实和反事实进展轨迹。NSDE 允许估计高置信度的个性化轨迹和治疗效果。在多中心独家数据集上进行了大量实验，该数据集包括在多个随机临床试验中获得的患者 3D MRI 和临床数据。我们的结果展示了第一个基于不确定性的因果深度学习（DL）模型，可以准确预测未来患者的 MS 残疾发展（如 EDSS）和治疗效果，利用基线 MRI，并且可以发现在临床试验中没有达到临床终点的患者亚组，模型对他们的治疗反应具有高置信度。
personalized medicinemedical imagesdisease progressionneural stochastic differential equationsclinical trials
发现论文，激发创造
  • 神经特征值分解实现个体化剂量动力学

    该论文提出了一种名为 Neural Eigen 随机微分方程的算法，通过在患者设定的超参数上运行超网络来提供个性化建模、扩展到新的治疗政策、根据噪声水平进行可调表现，以及快速、连续和闭合的预测，以模拟医学健身房环境中的真实医疗问题。

    Jun, 2023

  • 通过神经随机微分方程提高跨域轨迹预测的可迁移性

    基于连续和随机表示的神经随机微分方程，提出了一个解决多智能体轨迹预测中数据采集策略差异的方法，并通过 nuScenes、Argoverse、Lyft、INTERACTION 和 Waymo Open Motion Dataset (WOMD) 等基准数据集验证了方法的有效性和广泛适用性。

    Dec, 2023

  • 使用神经控制微分方程连续建模对照结果

    借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。

    Jun, 2022

  • 从噪声到信号：通过药理学引导的神经 SDE 揭示数字健康数据中的治疗效果

    数字健康技术，如可穿戴设备，通过个性化、连续和实时监测患者，为新型疗法和个体化医疗的发展做出了贡献。本文提出了一种新颖的药理学启发的神经随机微分方程模型，可以应对从这些技术中产生的具有随机特性的数据进行分析的挑战。使用合成数据，我们证明了我们的方法在识别治疗效果和学习因果关系方面是有效的，从而实现反事实模拟。

    Mar, 2024

  • ImageFlowNet: 不规则采样的长期医学图像预测多尺度疾病进展轨迹

    通过使用神经 ODE 和 SDE 模拟疾病进展的图像流场，ImageFlowNet 框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

    Jun, 2024

  • 贝叶斯神经控制微分方程用于治疗效果估计

    连续时间中的治疗效果估计对个性化医学至关重要，现有方法只关注潜在结果的点估计而忽略了不确定性估计，因此本文提出了一种用于连续时间中治疗效果估计的新型贝叶斯神经控制微分方程（BNCDE），通过神经控制微分方程和神经随机微分方程的耦合系统来建模时间维度，其中神经随机微分方程可以进行可行的变分贝叶斯推断，从而为给定顺序的治疗提供了潜在结果的有意义的后验预测分布。据我们所知，这是首个用于连续时间中治疗效果的不确定性估计的定制神经方法，因此我们的方法对于促进可靠的医学决策具有直接的实用价值。

    Oct, 2023

  • 如何从三分钟数据中学习和泛化：物理约束和不确定性感知的神经随机微分方程

    本文提出了一种使用神经随机微分方程学习控制动力学模型的框架和算法，能够构建模型预测控制算法以及模型基的增强学习领域中的仿真器，在模拟机器人系统中得到良好的应用。

    Jun, 2023

  • 神经随机微分方程作为无限维生成对抗网络

    本文介绍了一种将传统经典方法与神经随机微分方程（SDEs）相结合的方法，作为连续生成时间序列模型，无需预设统计或密度功能即可适应任意漂移和扩散，其输入噪声为布朗运动，输出样本是由数值求解器产生的，可用于机器学习中的时间序列建模。

    Feb, 2021

  • 具有变点的神经随机微分方程：一种生成对抗方法

    提出一种基于神经随机微分方程的时间序列变点检测算法，该算法使用生成对抗网络框架下的神经随机微分方程模型，通过 GAN 鉴别器的输出在前向传递中检测变点，并通过交替更新来学习未知的变点和不同变点对应的神经随机微分方程模型的参数。结果表明，该方法在合成和实际数据集上的性能比经典变点检测基准、标准 GAN-based 神经随机微分方程模型和其他深度生成模型更好。

    Dec, 2023

  • 疾病进展的时间相关概率生成模型

    医疗记录的时间序列中，通过使用马尔可夫生成模型来建模不规则的时间间隔，将临床治疗的子类型和疾病进展模式从数据中恢复和准确建模。

    Nov, 2023