論文の概要: Integrating Neural Networks and Dictionary Learning for Multidimensional
Clinical Characterizations from Functional Connectomics Data
- arxiv url: http://arxiv.org/abs/2007.01930v1
- Date: Fri, 3 Jul 2020 20:14:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 04:43:33.236854
- Title: Integrating Neural Networks and Dictionary Learning for Multidimensional
Clinical Characterizations from Functional Connectomics Data
- Title(参考訳): 機能接続データを用いた多次元臨床評価のためのニューラルネットワークと辞書学習の統合
- Authors: Niharika Shimona D'Souza, Mary Beth Nebel, Nicholas Wymbs, Stewart
Mostofsky, and Archana Venkataraman
- Abstract要約: 本稿では、ニューラルネットワークと辞書学習を組み合わせた統合フレームワークを提案し、静止状態機能MRIと行動データの間の複雑な相互作用をモデル化する。
自閉症スペクトラム障害(ASD)52例を用いたマルチスコア予測課題における組み合わせモデルの評価を行った。
統合されたフレームワークは,3種類の臨床重症度を予測するために,10倍のクロス・コンフィグレーション・セッティングにおいて最先端の手法より優れている。
- 参考スコア(独自算出の注目度): 5.382679710017696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a unified optimization framework that combines neural networks
with dictionary learning to model complex interactions between resting state
functional MRI and behavioral data. The dictionary learning objective
decomposes patient correlation matrices into a collection of shared basis
networks and subject-specific loadings. These subject-specific features are
simultaneously input into a neural network that predicts multidimensional
clinical information. Our novel optimization framework combines the gradient
information from the neural network with that of a conventional matrix
factorization objective. This procedure collectively estimates the basis
networks, subject loadings, and neural network weights most informative of
clinical severity. We evaluate our combined model on a multi-score prediction
task using 52 patients diagnosed with Autism Spectrum Disorder (ASD). Our
integrated framework outperforms state-of-the-art methods in a ten-fold cross
validated setting to predict three different measures of clinical severity.
- Abstract(参考訳): 本稿では、ニューラルネットワークと辞書学習を組み合わせた統合最適化フレームワークを提案し、静止状態機能MRIと行動データとの複雑な相互作用をモデル化する。
辞書学習目的は、患者相関行列を共有基底ネットワークの集合と主題固有の負荷に分解する。
これらの主題特有の特徴は、同時に多次元臨床情報を予測するニューラルネットワークに入力される。
ニューラルネットからの勾配情報を従来の行列因子化目的と組み合わせた新しい最適化手法を提案する。
本手法は, 基礎ネットワーク, 被検体負荷, 神経ネットワークの重みを総合的に推定し, 臨床症状の重み付けを行う。
自閉症スペクトラム障害(asd)と診断された52例を対象に,マルチスコア予測タスクにおける複合モデルの評価を行った。
統合フレームワークは10倍のクロス検証設定で最先端の手法を上回り,臨床重症度を3つの異なる尺度で予測する。
関連論文リスト
- Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳(メタデータ) (2024-01-01T10:20:01Z) - Ensembling Neural Networks for Improved Prediction and Privacy in Early
Diagnosis of Sepsis [13.121103500410156]
ニューラルネットワークを組み立てることは、ニューラルネットワークの一般化エラーを改善する技術である。
この手法は医療データに対する機械学習に最適であることを示す。
より大規模なデータセットでトレーニングされた単一のモデルよりも優れた、いくつかの選択された患者固有のモデルのアンサンブルを構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-01T13:24:14Z) - Initial Study into Application of Feature Density and
Linguistically-backed Embedding to Improve Machine Learning-based
Cyberbullying Detection [54.83707803301847]
この研究は、自動サイバーバブル検出に関するKaggleコンペティションで提供されたFormspringデータセットで実施された。
本研究は,サイバブリング検出におけるニューラルネットワークの有効性と分類器性能と特徴密度の相関性を確認した。
論文 参考訳(メタデータ) (2022-06-04T03:17:15Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z) - Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning
to Integrate Multimodal and Dynamic Functional Connectomics data for
Multidimensional Clinical Characterizations [7.973810752596346]
静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。
本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。
我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
論文 参考訳(メタデータ) (2020-08-27T23:43:56Z) - A Joint Network Optimization Framework to Predict Clinical Severity from
Resting State Functional MRI Data [5.774786149181392]
静止状態fMRI(rs-fMRI)データから臨床重症度を予測する新しい枠組みを提案する。
フレームワークを2つの別々のデータセット上で10倍のクロスバリデーション設定で検証する。
論文 参考訳(メタデータ) (2020-08-27T23:43:25Z) - A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis [12.02718865835448]
AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。
慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
論文 参考訳(メタデータ) (2020-08-14T11:19:32Z) - A Deep-Generative Hybrid Model to Integrate Multimodal and Dynamic
Connectivity for Predicting Spectrum-Level Deficits in Autism [7.593051703048267]
我々のフレームワークの生成部分は、構造的に規則化された動的辞書学習(sr-DDL)モデルである。
本フレームワークの深部はLSTM-ANNブロックであり,Sr-DDL負荷の経時的変化をモデル化し,多次元的臨床的重症度を予測する。
自閉症スペクトラム障害(ASD)と診断された57例のマルチスコア予測課題における枠組みの検証を行った。
論文 参考訳(メタデータ) (2020-07-03T20:18:09Z)
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。