論文の概要: A Comparative Study of Machine Learning Methods for Predicting the Evolution of Brain Connectivity from a Baseline Timepoint

• arxiv url: http://arxiv.org/abs/2109.07739v1
• Date: Thu, 16 Sep 2021 06:13:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 14:17:57.642398
• Title: A Comparative Study of Machine Learning Methods for Predicting the Evolution of Brain Connectivity from a Baseline Timepoint
• Title（参考訳）: ベースラインタイムポイントからの脳結合性の進化を予測する機械学習手法の比較検討
• Authors: \c{S}eymanur Akt{\i} and Do\u{g}ay Kamar and \"Ozg\"ur An{\i}l \"Ozl\"u and Ihsan Soydemir and Muhammet Akcan and Abdullah Kul and Islem Rekik
• Abstract要約: コネクトームとも呼ばれる脳ネットワークの進化を予測することで、接続に関連する神経疾患を早期に発見することができる。 私たちはKaggleコンペティションを開催し、20の競合チームが単一の時間ポイントから脳の接続性進化を予測するための高度な機械学習パイプラインを設計しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting the evolution of the brain network, also called connectome, by foreseeing changes in the connectivity weights linking pairs of anatomical regions makes it possible to spot connectivity-related neurological disorders in earlier stages and detect the development of potential connectomic anomalies. Remarkably, such a challenging prediction problem remains least explored in the predictive connectomics literature. It is a known fact that machine learning (ML) methods have proven their predictive abilities in a wide variety of computer vision problems. However, ML techniques specifically tailored for the prediction of brain connectivity evolution trajectory from a single timepoint are almost absent. To fill this gap, we organized a Kaggle competition where 20 competing teams designed advanced machine learning pipelines for predicting the brain connectivity evolution from a single timepoint. The competing teams developed their ML pipelines with a combination of data pre-processing, dimensionality reduction, and learning methods. Utilizing an inclusive evaluation approach, we ranked the methods based on two complementary evaluation metrics (mean absolute error (MAE) and Pearson Correlation Coefficient (PCC)) and their performances using different training and testing data perturbation strategies (single random split and cross-validation). The final rank was calculated using the rank product for each competing team across all evaluation measures and validation strategies. In support of open science, the developed 20 ML pipelines along with the connectomic dataset are made available on GitHub. The outcomes of this competition are anticipated to lead to the further development of predictive models that can foresee the evolution of brain connectivity over time, as well as other types of networks (e.g., genetic networks).
• Abstract（参考訳）: コネクトームとも呼ばれる脳ネットワークの進化を予測し、解剖学的領域のペアをリンクする接続重みの変化を予測することにより、初期の段階で接続関連神経疾患を見つけ出し、潜在的なコネクトーム異常の発生を検出することができる。 驚くべきことに、このような困難な予測問題は、予測コネクトミクス文献ではほとんど研究されていない。 機械学習(ML)手法が様々なコンピュータビジョン問題において予測能力を証明することは知られている事実である。 しかし、単一時点からの脳の結合進化軌道の予測に適したML技術はほとんど欠落している。 このギャップを埋めるために、20の競合チームが単一の時間ポイントから脳の接続性進化を予測するための高度な機械学習パイプラインを設計したKaggleコンペティションを組織しました。 競合するチームは、データ前処理、次元削減、学習方法を組み合わせたMLパイプラインを開発した。 包括的評価手法を用いて,2つの相補的評価指標(絶対誤差(mae)とピアソン相関係数(pcc))と,それらの評価手法を異なるトレーニングおよびテストデータ摂動戦略(single random split and cross-validation)を用いて分類した。 最終ランクは、すべての評価基準と検証戦略で、競合チームごとにランク製品を用いて算出された。 open scienceのサポートにより、開発された20mlパイプラインとコネクトミックデータセットがgithubで公開されている。 この競争の結果は、時間とともに脳の接続の進化を予測できる予測モデルや、他の種類のネットワーク(例えば遺伝ネットワーク)のさらなる発展につながることが期待されている。

関連論文リスト

• Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
  E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。 医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
  論文  参考訳（メタデータ） (2024-04-15T19:45:07Z)
• 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)
• Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
  本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。 提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。 我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2023-11-13T14:36:29Z)
• 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)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• A Prior Guided Adversarial Representation Learning and Hypergraph Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease [29.30199956567813]
  アルツハイマー病は、脳の構造的および機能的接続の変化によって特徴づけられる。 PGARL-HPNは、三重モードの医療画像を用いて異常な脳の接続を予測する。
  論文  参考訳（メタデータ） (2021-10-12T03:10:37Z)
• Predicting cognitive scores with graph neural networks through sample selection learning [0.0]
  機能的脳コネクトームは知能商(IQ)スコアなどの認知的指標を予測するために用いられる。 脳の接続からIQスコアを予測するための新しい回帰GNNモデル(RegGNN)を設計する。 また,最も予測力の高いトレーニングサンプルの選定方法を学ぶことを目的とした,emphlearningに基づくサンプル選択手法を提案する。
  論文  参考訳（メタデータ） (2021-06-17T11:45:39Z)
• Residual Embedding Similarity-Based Network Selection for Predicting Brain Network Evolution Trajectory from a Single Observation [0.0]
  本稿では,脳ネットワークの進化軌道を予測するために,Residual Embedding similarity-Based Network selection (RESNets)を提案する。 健康な脳ネットワークと障害のある脳ネットワークに関する実験は、提案手法の成功を実証している。
  論文  参考訳（メタデータ） (2020-09-23T12:40:04Z)
• 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。