論文の概要: Representing Alzheimer's Disease Progression via Deep Prototype Tree
- arxiv url: http://arxiv.org/abs/2102.06847v1
- Date: Sat, 13 Feb 2021 02:11:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:23:47.707548
- Title: Representing Alzheimer's Disease Progression via Deep Prototype Tree
- Title（参考訳）: ディーププロトタイプツリーによるアルツハイマー病の進行を表わす
- Authors: Lu Zhang, Li Wang, Dajiang Zhu
- Abstract要約: アルツハイマー病(AD)の進行を木構造としてモデル化する新しい構造学習法を開発した。
異なる臨床グループ間の本質的な関係をプロトタイプとしてとらえることで,AD開発における継続的なプロセスでそれらを表現することができる。
この手法をDeep Prototype Learningと呼び、学習した木構造をDeep Prototype Tree - DPTreeと呼びます。
- 参考スコア（独自算出の注目度）: 11.445557872875437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For decades, a variety of predictive approaches have been proposed and
evaluated in terms of their predicting capability for Alzheimer's Disease (AD)
and its precursor - mild cognitive impairment (MCI). Most of them focused on
prediction or identification of statistical differences among different
clinical groups or phases (e.g., longitudinal studies). The continuous nature
of AD development and transition states between successive AD related stages
have been overlooked, especially in binary or multi-class classification.
Though a few progression models of AD have been studied recently, they mainly
designed to determine and compare the order of specific biomarkers. How to
effectively predict the individual patient's status within a wide spectrum of
AD progression has been understudied. In this work, we developed a novel
structure learning method to computationally model the continuum of AD
progression as a tree structure. By conducting a novel prototype learning with
a deep manner, we are able to capture intrinsic relations among different
clinical groups as prototypes and represent them in a continuous process for AD
development. We named this method as Deep Prototype Learning and the learned
tree structure as Deep Prototype Tree - DPTree. DPTree represents different
clinical stages as a trajectory reflecting AD progression and predict clinical
status by projecting individuals onto this continuous trajectory. Through this
way, DPTree can not only perform efficient prediction for patients at any
stages of AD development (77.8% accuracy for five groups), but also provide
more information by examining the projecting locations within the entire AD
progression process.
- Abstract（参考訳）: 何十年もの間、アルツハイマー病(AD)とその前駆体 - 軽度の認知障害(MCI)の予測能力の観点から、さまざまな予測アプローチが提案および評価されています。
その多くは、異なる臨床グループやフェーズ(例えば、縦断研究)間の統計的差異の予測や同定に焦点を当てている。
AD開発とAD関連段階間の遷移状態の連続性は、特に二項分類や多項分類において見過ごされている。
近年、ADの進行モデルがいくつか研究されているが、主に特定のバイオマーカーの順序を決定・比較するために設計された。
AD進行の幅広い範囲で患者の状態を効果的に予測する方法が検討されている。
本研究では,AD進行の連続を木構造として計算モデル化する新しい構造学習法を開発した。
異なる臨床グループ間の本質的な関係を深い方法で新しいプロトタイプ学習を行うことで、プロトタイプとして捉え、AD開発のための継続的なプロセスでそれらを表現することができます。
本手法をDeep Prototype Learningと命名し,学習木構造をDeep Prototype Tree - DPTreeとした。
DPTreeは、AD進行を反映した軌道として異なる臨床段階を表し、個人をこの連続軌道に投影することによって臨床状態を予測します。
このようにして、DPTreeはAD発達のどの段階(5つのグループで77.8%の精度)の患者に対して効率的な予測を行うだけでなく、AD進行過程全体の投影位置を調べることでより多くの情報を提供することができる。
関連論文リスト
- Weighted Siamese Network to Predict the Time to Onset of Alzheimer's
Disease from MRI Images [3.2898781698366713]
アルツハイマー病は軽度認知障害(MCI)に先行する進行性疾患である
ADのコンピュータ支援検出に関する文献の多くは、脳のイメージを健康、MCI、ADの3つの主要なカテゴリの1つに分類することに焦点を当てている。
本稿では、AD鑑定のための脳画像分類タスクを再検討し、AD鑑定タスクとして再編成し、患者が重度ADステージにどの程度近づいたかを予測する。
論文 参考訳（メタデータ） (2023-04-14T12:36:43Z) - Leveraging Pretrained Representations with Task-related Keywords for
Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。
事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。
本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文 参考訳（メタデータ） (2023-03-14T16:03:28Z) - Deep Grading based on Collective Artificial Intelligence for AD
Diagnosis and Prognosis [0.0]
アルツハイマー病の診断と予後を自動化するための新しい枠組みを提案する。
フレームワークは2つの段階から構成される。第1段階では,意味のある特徴を抽出するための深い階調モデルを提案する。
第2段階では、ADシグネチャをよりよくキャプチャするために、グラフ畳み込みニューラルネットワークを使用します。
論文 参考訳（メタデータ） (2022-11-28T09:59:08Z) - XADLiME: eXplainable Alzheimer's Disease Likelihood Map Estimation via
Clinically-guided Prototype Learning [3.286378299443229]
3次元sMRI上でのAD進行モデリングのためのXADLiMEを用いた新しい深層学習手法を提案する。
具体的には,ADスペクトル多様体を探索し,潜在臨床特徴のクラスタ上にトポロジカル・アウェア・プロトタイプのセットを構築した。
次に,潜在臨床特徴と確立されたプロトタイプとの類似性を測定し,擬似可能性マップを推定した。
論文 参考訳（メタデータ） (2022-07-27T00:25:55Z) - Exploring linguistic feature and model combination for speech
recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。
専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。
本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文 参考訳（メタデータ） (2022-06-28T05:09:01Z) - fMRI Neurofeedback Learning Patterns are Predictive of Personal and
Clinical Traits [62.997667081978825]
機能的MRI(fMRI)による自律神経運動課題における学習経過の個人的シグネチャを得る。
署名は、第1セッションで同様のfMRI由来の脳の状態が与えられた後、第2セッションで扁桃体の活動を予測することに基づいている。
論文 参考訳（メタデータ） (2021-12-21T06:52:48Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳（メタデータ） (2021-08-07T15:08:15Z) - On self-supervised multi-modal representation learning: An application
to Alzheimer's disease [21.495288589801476]
機能的および構造的脳イメージングを訓練した深い教師付き予測モデルのイントロスペクションはアルツハイマー病の新しいマーカーを明らかにするかもしれない
深い教師なし、そして近年では、分類に偏らない対照的な自己監督的アプローチが、このタスクのより良い候補である。
論文 参考訳（メタデータ） (2020-12-25T19:51:19Z) - 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) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Cognitive Biomarker Prioritization in Alzheimer's Disease using Brain
Morphometric Data [9.323092528297728]
ほとんどの研究は、対象とする集団に対する認知的テスト選択のガイドラインを作成しているが、個々の被験者に対してカスタマイズされていない。
我々は、パーソナライズされた認知アセスメントの優先順位付けを可能にする機械学習パラダイムを開発する。
論文 参考訳（メタデータ） (2020-02-18T16:25:11Z)
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。