論文の概要: Predicting Rate of Cognitive Decline at Baseline Using a Deep Neural
Network with Multidata Analysis
- arxiv url: http://arxiv.org/abs/2002.10034v3
- Date: Mon, 5 Oct 2020 23:14:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 04:40:29.820670
- Title: Predicting Rate of Cognitive Decline at Baseline Using a Deep Neural
Network with Multidata Analysis
- Title（参考訳）: マルチデータ解析を用いたディープニューラルネットワークによるベースライン認知低下率の推定
- Authors: Sema Candemir, Xuan V. Nguyen, Luciano M. Prevedello, Matthew T.
Bigelow, Richard D.White, Barbaros S. Erdal (for the Alzheimer's Disease
Neuroimaging Initiative)
- Abstract要約: 本研究では,軽度認知障害患者の認知低下率を予測する機械学習システムについて検討した。
我々は3次元畳み込みニューラルネットワークを用いた教師付きハイブリッドニューラルネットワークに基づく予測モデルを構築した。
- 参考スコア（独自算出の注目度）: 8.118172725250805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: This study investigates whether a machine-learning-based system can
predict the rate of cognitive decline in mildly cognitively impaired patients
by processing only the clinical and imaging data collected at the initial
visit.
Approach: We built a predictive model based on a supervised hybrid neural
network utilizing a 3-Dimensional Convolutional Neural Network to perform
volume analysis of Magnetic Resonance Imaging and integration of non-imaging
clinical data at the fully connected layer of the architecture. The experiments
are conducted on the Alzheimers Disease Neuroimaging Initiative dataset.
Results: Experimental results confirm that there is a correlation between
cognitive decline and the data obtained at the first visit. The system achieved
an area under the receiver operator curve (AUC) of 0.70 for cognitive decline
class prediction.
Conclusion: To our knowledge, this is the first study that predicts slowly
deteriorating/stable or rapidly deteriorating classes by processing routinely
collected baseline clinical and demographic data (Baseline MRI, Baseline MMSE,
Scalar Volumetric data, Age, Gender, Education, Ethnicity, and Race). The
training data is built based on MMSE-rate values. Unlike the studies in the
literature that focus on predicting Mild Cognitive Impairment-to-Alzheimer`s
disease conversion and disease classification, we approach the problem as an
early prediction of cognitive decline rate in MCI patients.
- Abstract（参考訳）: 目的:本研究では,初診時に収集した臨床・画像データのみを処理することにより,軽度認知障害患者の認知低下率を予測することができるかを検討する。
アプローチ:我々は3次元畳み込みニューラルネットワークを用いた教師付きハイブリッドニューラルネットワークに基づく予測モデルを構築し,磁気共鳴画像の体積解析と,アーキテクチャの完全連結層における非画像臨床データの統合を行った。
実験はアルツハイマー病のニューロイメージングイニシアチブデータセットで実施されている。
結果: 実験の結果, 初診時の認知機能低下とデータとの相関が確認された。
このシステムは、認知低下クラスの予測のために、受信者演算子曲線(AUC)0.70の領域を達成した。
結論:本研究は,日常的に収集された臨床・人口統計データ(ベースラインMRI,ベースラインMMSE,スカラボリュームデータ,年齢,性別,教育,倫理,人種)を処理し,ゆっくりと劣化・安定・急激な劣化を予測した最初の研究である。
トレーニングデータはMMSEレート値に基づいて構築される。
軽度認知障害からアルツハイマー病への転換と疾患分類の予測に焦点を当てた文献研究とは異なり,MCI患者の認知低下率の早期予測としてこの問題にアプローチする。
関連論文リスト
- Data-Efficient Model for Psychological Resilience Prediction based on Neurological Data [15.388682152950002]
本稿では,神経学的データの不足に対処する新しいデータ効率モデルを提案する。
我々は予測モデルの構造としてNeuro Kolmogorov-Arnold Networksを採用している。
論文 参考訳（メタデータ） (2025-02-03T14:15:15Z) - Deep Learning for Early Alzheimer Disease Detection with MRI Scans [1.9806397201363817]
アルツハイマー病は、患者のMRIスキャンと神経心理学的検査の詳細な評価によって診断を必要とする。
本研究は,AD診断の精度と効率を向上させるために,既存のディープラーニングモデルと比較する。
感度,特異性,計算効率を考慮した厳密な評価を行い,各モデルの強みと弱みを判定する。
論文 参考訳（メタデータ） (2025-01-17T07:30:16Z) - Multi-Resolution Graph Analysis of Dynamic Brain Network for Classification of Alzheimer's Disease and Mild Cognitive Impairment [0.0]
アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶喪失と認知低下を特徴とする神経変性疾患である。
ピアソンの相関のような伝統的な手法は相関行列を計算するために使われてきた。
本稿では、離散ウェーブレット変換(DWT)とグラフ理論を統合し、脳ネットワークの動的挙動をモデル化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-06T07:26:14Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Explainable AI and Machine Learning Towards Human Gait Deterioration
Analysis [0.0]
歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。
physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
論文 参考訳（メタデータ） (2023-06-12T14:53:00Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - A Novel Supervised Contrastive Regression Framework for Prediction of
Neurocognitive Measures Using Multi-Site Harmonized Diffusion MRI
Tractography [13.80649748804573]
Supervised Contrastive Regression (SCR)は、回帰タスクにおけるコントラスト学習の完全な監視を可能にする、シンプルで効果的な方法である。
SCRは、連続回帰ラベルの絶対差を用いて教師付きコントラスト表現学習を行う。
SCRは、他の最先端手法と比較して、神経認知的スコア予測の精度を向上する。
論文 参考訳（メタデータ） (2022-10-13T23:24:12Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳（メタデータ） (2020-09-16T15:16:03Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。