論文の概要: Disentangling Alzheimer's disease neurodegeneration from typical brain
aging using machine learning
- arxiv url: http://arxiv.org/abs/2109.03723v1
- Date: Wed, 8 Sep 2021 15:33:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-09 13:53:55.870468
- Title: Disentangling Alzheimer's disease neurodegeneration from typical brain
aging using machine learning
- Title（参考訳）: 機械学習を用いた典型的な脳老化からアルツハイマー病の神経変性を遠ざける
- Authors: Gyujoon Hwang, Ahmed Abdulkadir, Guray Erus, Mohamad Habes, Raymond
Pomponio, Haochang Shou, Jimit Doshi, Elizabeth Mamourian, Tanweer Rashid,
Murat Bilgel, Yong Fan, Aristeidis Sotiras, Dhivya Srinivasan, John C.
Morris, Daniel Marcus, Marilyn S. Albert, Nick R. Bryan, Susan M. Resnick,
Ilya M. Nasrallah, Christos Davatzikos, David A. Wolk (from the iSTAGING
consortium, for the ADNI)
- Abstract要約: 神経イメージングバイオマーカーは、典型的な脳老化とアルツハイマー病(AD)を区別する
我々はこの2つを解消するための方法論を提示する。
遠絡SPAREモデルは2種類の脳変化に特異的な脳パターンを導出した。
- 参考スコア（独自算出の注目度）: 2.388738275105558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuroimaging biomarkers that distinguish between typical brain aging and
Alzheimer's disease (AD) are valuable for determining how much each contributes
to cognitive decline. Machine learning models can derive multi-variate brain
change patterns related to the two processes, including the SPARE-AD (Spatial
Patterns of Atrophy for Recognition of Alzheimer's Disease) and SPARE-BA (of
Brain Aging) investigated herein. However, substantial overlap between brain
regions affected in the two processes confounds measuring them independently.
We present a methodology toward disentangling the two. T1-weighted MRI images
of 4,054 participants (48-95 years) with AD, mild cognitive impairment (MCI),
or cognitively normal (CN) diagnoses from the iSTAGING (Imaging-based
coordinate SysTem for AGIng and NeurodeGenerative diseases) consortium were
analyzed. First, a subset of AD patients and CN adults were selected based
purely on clinical diagnoses to train SPARE-BA1 (regression of age using CN
individuals) and SPARE-AD1 (classification of CN versus AD). Second, analogous
groups were selected based on clinical and molecular markers to train SPARE-BA2
and SPARE-AD2: amyloid-positive (A+) AD continuum group (consisting of A+AD,
A+MCI, and A+ and tau-positive CN individuals) and amyloid-negative (A-) CN
group. Finally, the combined group of the AD continuum and A-/CN individuals
was used to train SPARE-BA3, with the intention to estimate brain age
regardless of AD-related brain changes. Disentangled SPARE models derived brain
patterns that were more specific to the two types of the brain changes.
Correlation between the SPARE-BA and SPARE-AD was significantly reduced.
Correlation of disentangled SPARE-AD was non-inferior to the molecular
measurements and to the number of APOE4 alleles, but was less to AD-related
psychometric test scores, suggesting contribution of advanced brain aging to
these scores.
- Abstract（参考訳）: 典型的な脳老化とアルツハイマー病(AD)を区別する神経画像バイオマーカーは、それぞれが認知低下にどの程度寄与するかを決定するのに有用である。
機械学習モデルは、SPARE-AD(Spatial Patterns of Atrophys for Recognition of Alzheimer's Disease)やSPARE-BA(Brain Aging)など、この2つのプロセスに関連する多変量脳変化パターンを導出することができる。
しかし、この2つのプロセスで影響を受ける脳の領域間のかなりの重複は、それらを独立して測定する。
この2つを解消するための方法論を提案する。
健常者4,054名(48～95歳)のMRI像, 軽度認知障害 (MCI) , あるいはiSTAGING (Imaging-based coordinate SysTem for AGIng and NeurodeGenerative disease) による認知正常 (CN) 診断について検討した。
まず,SPARE-BA1とSPARE-AD1(CNとADの分類)を訓練するために,純粋に臨床診断に基づいてAD患者とCN成人のサブセットを選定した。
第2に,SPARE-BA2およびSPARE-AD2を用いたアミロイド陽性(A+)AD連続群(A+AD,A+MCI,A+およびtau陽性CN)およびアミロイド陰性(A-)CN群を訓練するために,臨床および分子マーカーに基づいて類似群を選択した。
最後に、AD関連脳の変化にかかわらず、AD連続体とA/CNの併用群がSPARE-BA3のトレーニングに使用された。
遠絡SPAREモデルは2種類の脳変化に特異的な脳パターンを導出した。
SPARE-BAとSPARE-ADの相関は有意に減少した。
不連続スペアadの相関は分子量とapoe4アレル数と不一致であったが,ad関連心理計測テストスコアでは低下し,高次脳老化の寄与が示唆された。
関連論文リスト
- Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。
我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。
本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease、AD)は認知能力の低下が進行する認知症である。
構造的MRIと機能的MRIを利用して,病原性GMと機能的ネットワーク接続の変化を調査した。
本稿では,Cycle GANを用いた生成モジュールを用いたDLに基づく新しい分類手法を提案する。
論文 参考訳（メタデータ） (2024-06-19T07:31:47Z) - A deformation-based morphometry framework for disentangling Alzheimer's
disease from normal aging using learned normal aging templates [0.6417777780911224]
アルツハイマー病と正常な老化はどちらも脳萎縮を特徴とする。
そこで本研究では, 通常の加齢およびAD特異的萎縮パターンを推定するための変形型形態計測フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-14T14:04:35Z) - A Surface-Based Federated Chow Test Model for Integrating APOE Status,
Tau Deposition Measure, and Hippocampal Surface Morphometry [18.36168858563601]
アルツハイマー病(英: Alzheimer's Disease、AD)は、認知症で最も一般的な疾患であり、CDCのデータによると65歳以上の6200万人に影響を及ぼす。
有効なAD診断バイオマーカーの発見は、公衆衛生上の大きな利益をもたらす可能性があると一般的に合意されている。
論文 参考訳（メタデータ） (2023-03-31T21:17:54Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳（メタデータ） (2021-06-06T07:11:25Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z) - MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain
Diseases [3.955454029331185]
マルチスケールクラスタリングを活用することにより,病気の多様性を明らかにする新しい手法MAGICを提案する。
シミュレーションした異種神経解剖学的データを用いてMAGICを検証するとともに、アルツハイマー病(AD)の異種性を探究して臨床応用の可能性を示す。
以上の結果より,大脳皮質大萎縮と大脳皮質大萎縮の2つの亜型は,海馬の微細萎縮と大脳皮質大萎縮の2つからなることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-01T23:42:37Z) - 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) - Causality based Feature Fusion for Brain Neuro-Developmental Analysis [26.218572787292427]
脳の成熟中に情報の流れの方向を付加することを提案する。
その動機は、因果相互作用を包含することで、2つの年齢グループ間の脳のつながりをさらに区別できるということである。
その結果,若年者では接続の強度が有意に高かった。
論文 参考訳（メタデータ） (2020-01-22T17:38:42Z)
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。