基于神经随机微分方程的连续疾病轨迹和治疗效应的概率时序预测
人工智能
2024-06-19 v1 机器学习
图像与视频处理
定量方法
摘要
基于医学影像的个体化医学，包括预测未来个体化临床疾病进展和治疗反应，对医疗保健和药物开发具有巨大影响，尤其是对于具有长期、复杂、异质性演变且无疗法的疾病（如多发性硬化（MS））。本文提出首个用于建模疾病进展连续时序演变的随机因果时序框架，通过神经随机微分方程（NSDE）实现。该因果推断模型以患者的高维影像（MRI）和表格数据为输入，预测不同治疗方案下事实和反事实的进展轨迹于潜在空间。NSDE 允许估算高置信度的个体化轨迹和治疗效应。对大型多中心专有数据集（包含患者 3D MRI 和临床数据，来自多项 MS 治疗随机临床试验）进行了广泛实验。我们的结果首次成功实现基于不确定性的因果深度学习（DL）模型：（a）准确预测未来患者 MS 功能障碍演变（如 EDSS）并利用基线 MRI 预测治疗效应；（b）在未达临床终点临床试验中发现模型对特定患者亚群拥有高置信度治疗反应的人群。
引用
@article{arxiv.2406.12807,
title = {Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs},
author = {Joshua Durso-Finley and Berardino Barile and Jean-Pierre Falet and Douglas L. Arnold and Nick Pawlowski and Tal Arbel},
journal= {arXiv preprint arXiv:2406.12807},
year = {2024}
}