論文の概要: Interpretable multimodal fusion networks reveal mechanisms of brain
cognition
- arxiv url: http://arxiv.org/abs/2006.09454v1
- Date: Tue, 16 Jun 2020 18:52:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 20:48:23.008276
- Title: Interpretable multimodal fusion networks reveal mechanisms of brain
cognition
- Title（参考訳）: 解釈可能なマルチモーダル融合ネットワークは脳認知のメカニズムを明らかにする
- Authors: Wenxing Hu, Xianghe Meng, Yuntong Bai, Aiying Zhang, Biao Cai, Gemeng
Zhang, Tony W. Wilson, Julia M. Stephen, Vince D. Calhoun, Yu-Ping Wang
- Abstract要約: 我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。
脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
- 参考スコア（独自算出の注目度）: 26.954460880062506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal fusion benefits disease diagnosis by providing a more
comprehensive perspective. Developing algorithms is challenging due to data
heterogeneity and the complex within- and between-modality associations.
Deep-network-based data-fusion models have been developed to capture the
complex associations and the performance in diagnosis has been improved
accordingly. Moving beyond diagnosis prediction, evaluation of disease
mechanisms is critically important for biomedical research. Deep-network-based
data-fusion models, however, are difficult to interpret, bringing about
difficulties for studying biological mechanisms. In this work, we develop an
interpretable multimodal fusion model, namely gCAM-CCL, which can perform
automated diagnosis and result interpretation simultaneously. The gCAM-CCL
model can generate interpretable activation maps, which quantify pixel-level
contributions of the input features. This is achieved by combining intermediate
feature maps using gradient-based weights. Moreover, the estimated activation
maps are class-specific, and the captured cross-data associations are
interest/label related, which further facilitates class-specific analysis and
biological mechanism analysis. We validate the gCAM-CCL model on a brain
imaging-genetic study, and show gCAM-CCL's performed well for both
classification and mechanism analysis. Mechanism analysis suggests that during
task-fMRI scans, several object recognition related regions of interests (ROIs)
are first activated and then several downstream encoding ROIs get involved.
Results also suggest that the higher cognition performing group may have
stronger neurotransmission signaling while the lower cognition performing group
may have problem in brain/neuron development, resulting from genetic
variations.
- Abstract（参考訳）: マルチモーダル融合は、より包括的な視点を提供することで疾患の診断に役立つ。
アルゴリズムの開発は、データの不均一性と、モダリティ内およびモダリティ間の複雑な関係のために困難である。
深層ネットワークに基づくデータ融合モデルが開発され, 複雑な関連を捉え, 診断性能が向上した。
診断予測を超えて、疾患メカニズムの評価は生体医学研究において極めて重要である。
しかし、深層ネットワークに基づくデータフュージョンモデルは解釈が難しく、生物学的メカニズムの研究が困難である。
本研究では,自動診断と結果解釈を同時に行うことができる多モード融合モデル,すなわちgCAM-CCLを開発する。
gCAM-CCLモデルは、入力特徴のピクセルレベルのコントリビューションを定量化する解釈可能なアクティベーションマップを生成することができる。
これは勾配に基づく重みを使って中間特徴マップを組み合わせることによって達成される。
さらに、推定アクティベーションマップはクラス固有であり、キャプチャされたクロスデータアソシエーションは関心/ラベル関連であり、クラス固有解析と生物学的メカニズム解析をさらに促進する。
脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
メカニズム分析は、タスクfMRIスキャンにおいて、いくつかのオブジェクト認識関連関心領域(ROI)が最初に活性化され、その後、複数の下流符号化ROIが関与することを示している。
また,高認知能群はより強い神経伝達シグナルを伝達し,低認知能群は遺伝的変異から生じる脳・神経発達に問題があることが示唆された。
関連論文リスト
- Interpreting artificial neural networks to detect genome-wide association signals for complex traits [0.0]
複雑な疾患の遺伝的アーキテクチャを調べることは、遺伝的および環境要因の高度にポリジェニックでインタラクティブな景観のために困難である。
我々は、シミュレーションと実際のジェノタイプ/フェノタイプデータセットの両方を用いて、複雑な特性を予測するために、人工ニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2024-07-26T15:20:42Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳（メタデータ） (2023-01-07T18:36:44Z) - Functional Integrative Bayesian Analysis of High-dimensional
Multiplatform Genomic Data [0.8029049649310213]
我々は高次元多プラットフォームゲノミクスデータ(fiBAG)の関数積分ベイズ解析というフレームワークを提案する。
fiBAGは、プロテオゲノムバイオマーカーの上流での機能的証拠の同時同定を可能にする。
本研究は,14種類のがんのパン・カンサー解析を用いて,fiBAGの収益性を示す。
論文 参考訳（メタデータ） (2022-12-29T03:31:45Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Self-supervised multimodal neuroimaging yields predictive
representations for a spectrum of Alzheimer's phenotypes [27.331511924585023]
この研究は、マルチモーダル・ニューロイメージングデータから複数の表現を学習するための、新しいマルチスケール協調フレームワークを提案する。
本稿では,情報誘導バイアスの一般的な分類法を提案する。
自己教師型モデルでは,事前トレーニング中にラベルにアクセスすることなく,障害関連脳領域とマルチモーダルリンクを明らかにする。
論文 参考訳（メタデータ） (2022-09-07T01:37:19Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳（メタデータ） (2021-07-21T09:02:29Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳（メタデータ） (2021-01-20T20:53:07Z) - 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。