論文の概要: Explainable and Scalable Machine-Learning Algorithms for Detection of
Autism Spectrum Disorder using fMRI Data
- arxiv url: http://arxiv.org/abs/2003.01541v1
- Date: Mon, 2 Mar 2020 18:20:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 04:47:50.805178
- Title: Explainable and Scalable Machine-Learning Algorithms for Detection of
Autism Spectrum Disorder using fMRI Data
- Title（参考訳）: fMRIデータを用いた自閉症スペクトラム障害検出のための説明可能かつスケーラブルな機械学習アルゴリズム
- Authors: Taban Eslami, Joseph S. Raiker and Fahad Saeed
- Abstract要約: 提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。
我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
- 参考スコア（独自算出の注目度）: 0.2578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosing Autism Spectrum Disorder (ASD) is a challenging problem, and is
based purely on behavioral descriptions of symptomology (DSM-5/ICD-10), and
requires informants to observe children with disorder across different settings
(e.g. home, school). Numerous limitations (e.g., informant discrepancies, lack
of adherence to assessment guidelines, informant biases) to current diagnostic
practices have the potential to result in over-, under-, or misdiagnosis of the
disorder. Advances in neuroimaging technologies are providing a critical step
towards a more objective assessment of the disorder. Prior research provides
strong evidence that structural and functional magnetic resonance imaging (MRI)
data collected from individuals with ASD exhibit distinguishing characteristics
that differ in local and global spatial, and temporal neural-patterns of the
brain. Our proposed deep-learning model ASD-DiagNet exhibits consistently high
accuracy for classification of ASD brain scans from neurotypical scans. We have
for the first time integrated traditional machine-learning and deep-learning
techniques that allows us to isolate ASD biomarkers from MRI data sets. Our
method, called Auto-ASD-Network, uses a combination of deep-learning and
Support Vector Machines (SVM) to classify ASD scans from neurotypical scans.
Such interpretable models would help explain the decisions made by
deep-learning techniques leading to knowledge discovery for neuroscientists,
and transparent analysis for clinicians.
- Abstract（参考訳）: 自閉症スペクトラム障害(asd)の診断は困難な問題であり、純粋に症状学の行動記述(dsm-5/icd-10)に基づいており、様々な状況(家庭、学校など)で障害を持つ子供を監視するために情報提供者が必要である。
多くの制限(例えば、情報的不一致、アセスメントガイドラインの遵守の欠如、情報的偏見)が、現在の診断プラクティスには過度、過度、過度、または誤診をもたらす可能性がある。
神経画像技術の進歩は、障害のより客観的な評価に向けて重要なステップを提供している。
以前の研究では、ASD患者から収集された構造的および機能的磁気共鳴画像(MRI)データが、局所的および大局的に異なる特徴と脳の時間的神経パターンを区別しているという強い証拠が示されていた。
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。
ASDバイオマーカーをMRIデータセットから分離することのできる、従来の機械学習およびディープラーニング技術を初めて統合しました。
我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
このような解釈可能なモデルは、神経科学者の知識発見や臨床医の透過的分析につながるディープラーニング技術による決定を説明するのに役立つだろう。
関連論文リスト
- Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。
ASDの客観的バイオマーカーは診断精度の向上に役立つ。
深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。
本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
論文 参考訳（メタデータ） (2024-09-19T23:08:09Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - Video-Based Autism Detection with Deep Learning [0.0]
感覚刺激に反応する子供の映像クリップを解析する深層学習モデルを開発した。
以上の結果から,本モデルは子どもの運動における重要な違いを効果的に一般化し,理解していることが明らかとなった。
論文 参考訳（メタデータ） (2024-02-26T17:45:00Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Comparison of Probabilistic Deep Learning Methods for Autism Detection [0.0]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、現在世界中で普及している神経発達障害の一つ。
この疾患の早期発見は、発症治療に役立ち、正常な生活を導くのに役立つ。
論文 参考訳（メタデータ） (2023-03-09T17:49:37Z) - Automatic Autism Spectrum Disorder Detection Using Artificial
Intelligence Methods with MRI Neuroimaging: A Review [11.1297848681272]
従来の機械学習(ML)とディープラーニング(DL)は、ASDの診断に使用されるAIの最も一般的なスキームである。
本研究はAIを用いたASDの自動検出の見直しを目的とする。
論文 参考訳（メタデータ） (2022-06-20T16:14:21Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Input Agnostic Deep Learning for Alzheimer's Disease Classification
Using Multimodal MRI Images [1.4848525762485871]
アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶障害や機能障害を引き起こす進行性脳疾患である。
本研究では,通常の認知,軽度認知障害,ADクラスを分類するために,マルチモーダル・ディープ・ラーニング・アプローチを用いる。
論文 参考訳（メタデータ） (2021-07-19T08:19:34Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳（メタデータ） (2021-05-18T11:37:57Z) - Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。
我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-08-21T20:22:55Z) - 4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum
Disorder Classification [69.62333053044712]
ASD分類のための4次元畳み込み深層学習手法を提案する。
F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
論文 参考訳（メタデータ） (2020-04-21T17:19:06Z)
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。