論文の概要: Alzheimer's Disease Diagnosis via Deep Factorization Machine Models

• arxiv url: http://arxiv.org/abs/2108.05916v1
• Date: Thu, 12 Aug 2021 18:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-16 13:12:13.409394
• Title: Alzheimer's Disease Diagnosis via Deep Factorization Machine Models
• Title（参考訳）: 深部因子化マシンモデルによるアルツハイマー病の診断
• Authors: Raphael Ronge and Kwangsik Nho and Christian Wachinger and Sebastian P\"olsterl
• Abstract要約: アルツハイマー病の診断における現在の最先端のディープニューラルネットワーク(DNN)は、患者を分類するために異なるバイオマーカーの組み合わせを使用している。 本稿では,DNNの複雑な関係学習能力と線形モデルの解釈容易性を組み合わせたDeep Factorization Machineモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.135152720206844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The current state-of-the-art deep neural networks (DNNs) for Alzheimer's Disease diagnosis use different biomarker combinations to classify patients, but do not allow extracting knowledge about the interactions of biomarkers. However, to improve our understanding of the disease, it is paramount to extract such knowledge from the learned model. In this paper, we propose a Deep Factorization Machine model that combines the ability of DNNs to learn complex relationships and the ease of interpretability of a linear model. The proposed model has three parts: (i) an embedding layer to deal with sparse categorical data, (ii) a Factorization Machine to efficiently learn pairwise interactions, and (iii) a DNN to implicitly model higher order interactions. In our experiments on data from the Alzheimer's Disease Neuroimaging Initiative, we demonstrate that our proposed model classifies cognitive normal, mild cognitive impaired, and demented patients more accurately than competing models. In addition, we show that valuable knowledge about the interactions among biomarkers can be obtained.
• Abstract（参考訳）: アルツハイマー病の診断のための現在の最先端ディープニューラルネットワーク(DNN)は、異なるバイオマーカーの組み合わせを使用して患者を分類しているが、バイオマーカーの相互作用に関する知識を抽出することはできない。 しかし, 本疾患の理解を深めるためには, 学習モデルから知識を抽出することが最重要である。 本稿では,dnnが複雑な関係を学習する能力と,線形モデルの解釈容易性を組み合わせた深い因子分解機械モデルを提案する。 提案モデルでは, 疎分類データを扱う埋め込み層 (i) 対の相互作用を効率的に学習するファクトリゼーションマシン (ii) と高次相互作用を暗黙的にモデル化するDNN (iii) の3部で構成されている。 アルツハイマー病神経画像イニシアチブのデータを用いた実験では,提案モデルが認知正常,軽度認知障害,認知認知障害の患者を競合モデルよりも正確に分類することを示した。 また,バイオマーカー間の相互作用に関する貴重な知識が得られることを示す。

関連論文リスト

• Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
  潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。 まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。 次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。 第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:07:33Z)
• 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)
• Classification of ADHD Patients Using Kernel Hierarchical Extreme Learning Machine [3.39487428163997]
  我々は、脳機能接続のダイナミクスを利用して、医療画像データの特徴をモデル化する。 その結果,最先端モデルよりも優れた分類率を得た。
  論文  参考訳（メタデータ） (2022-06-28T05:17:54Z)
• Learning Generative Factors of Neuroimaging Data with Variational auto-encoders [0.0]
  生成モデリングの枠組みを応用して、複数の病理を分類し、それらの病理の神経学的メカニズムをデータ駆動で復元する。 本稿では、現在のドメイン知識と整合した疾患関連メカニズムを学習するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2022-06-04T08:23:25Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• 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)
• 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)
• Interpretable multimodal fusion networks reveal mechanisms of brain cognition [26.954460880062506]
  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。
  論文  参考訳（メタデータ） (2020-06-16T18:52:50Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。