PulseAugur
中
实时 12:09:00
English(EN) Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling

新的EB-VAE框架整合多模态数据以增强医学建模 · 跟踪2个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新框架，即多模态经验贝叶斯变分自编码器（EB-VAE），旨在整合多样化的数据源，以改进医学应用中的人群建模。该EB-VAE框架扩展了现有模型，以联合分析纵向肿瘤测量、退出信息和遗传协变量。该模型包含一个处理信息性退出的风险模型，并通过遗传条件先验适应来整合基因组数据，在涉及皮肤黑色瘤和乳腺癌的实验中显示出改进的预测性能。 AI

影响 通过更好地整合复杂的患者数据，这一新框架有望提高临床试验和个性化医疗的预测准确性。

排序理由 该集群包含一篇详细介绍新统计建模框架的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的EB-VAE框架整合多模态数据以增强医学建模 · 跟踪2个来源

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Anders Sj\"oberg, Nils Olsson, Marcus Baaz, Mats Jirstrand ·

    用于联合纵向和生存时间建模的多模态经验贝叶斯变分自编码器

    arXiv:2607.13984v1 Announce Type: new Abstract: Longitudinal tumor measurements, dropout information, and genetic covariates provide complementary information about treatment response, but integrating these data sources within a single population modeling framework remains challe…

  2. arXiv stat.ML TIER_1 English(EN) · Mats Jirstrand ·

    用于联合纵向和生存时间建模的多模态经验贝叶斯变分自编码器

    Longitudinal tumor measurements, dropout information, and genetic covariates provide complementary information about treatment response, but integrating these data sources within a single population modeling framework remains challenging. We extend the empirical Bayes variational…

相关实体

相关话题