論文の概要: Robust Hierarchical Patterns for identifying MDD patients: A Multisite
Study
- arxiv url: http://arxiv.org/abs/2202.11144v1
- Date: Tue, 22 Feb 2022 19:40:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 06:44:27.590365
- Title: Robust Hierarchical Patterns for identifying MDD patients: A Multisite
Study
- Title（参考訳）: MDD患者同定のためのロバスト階層パターン : 多施設共同研究
- Authors: Dushyant Sahoo, Mathilde Antoniades, Cynthia H.Y. Fu, and Christos
Davatzikos
- Abstract要約: 大うつ病(MDD)のバイオマーカーとしての階層的スパース接続パターン(h SCP)について検討する。
我々は、静止状態fMRIデータから抽出した機能的接続行列からMDD患者を予測するためのh SCPに基づく新しいモデルを提案する。
本研究の結果は,多様性が予測性能に与える影響を示し,多様性を低減し,コンポーネントの予測・一般化能力を向上させることができる。
- 参考スコア（独自算出の注目度）: 3.4561220135252264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many supervised machine learning frameworks have been proposed for disease
classification using functional magnetic resonance imaging (fMRI) data,
producing important biomarkers. More recently, data pooling has flourished,
making the result generalizable across a large population. But, this success
depends on the population diversity and variability introduced due to the
pooling of the data that is not a primary research interest. Here, we look at
hierarchical Sparse Connectivity Patterns (hSCPs) as biomarkers for major
depressive disorder (MDD). We propose a novel model based on hSCPs to predict
MDD patients from functional connectivity matrices extracted from resting-state
fMRI data. Our model consists of three coupled terms. The first term decomposes
connectivity matrices into hierarchical low-rank sparse components
corresponding to synchronous patterns across the human brain. These components
are then combined via patient-specific weights capturing heterogeneity in the
data. The second term is a classification loss that uses the patient-specific
weights to classify MDD patients from healthy ones. Both of these terms are
combined with the third term, a robustness loss function to improve the
reproducibility of hSCPs. This reduces the variability introduced due to site
and population diversity (age and sex) on the predictive accuracy and pattern
stability in a large dataset pooled from five different sites. Our results show
the impact of diversity on prediction performance. Our model can reduce
diversity and improve the predictive and generalizing capability of the
components. Finally, our results show that our proposed model can robustly
identify clinically relevant patterns characteristic of MDD with high
reproducibility.
- Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)データを用いた疾患分類のための多くの教師付き機械学習フレームワークが提案され、重要なバイオマーカーを生み出している。
最近ではデータプーリングが盛んになり、その結果は大きな人口にまたがって一般化した。
しかし、この成功は、主要な研究対象ではないデータのプールによってもたらされる、人口の多様性と変動に依存する。
本稿では,大うつ病(MDD)のバイオマーカーとして階層的スパース接続パターン(hSCP)を考察する。
静止状態fMRIデータから抽出した機能的接続行列からMDD患者を予測するためのhSCPに基づく新しいモデルを提案する。
我々のモデルは3つの結合項からなる。
第1項は、接続行列をヒト脳の同期パターンに対応する階層的な低ランクスパース成分に分解する。
これらのコンポーネントは、データ内の異質性をキャプチャする患者固有の重みによって結合される。
第2の用語は、患者固有の体重を使ってMDD患者と健康な患者を分類する分類損失である。
これらの用語は、hscpの再現性を改善するためのロバストネス損失関数である第3項と組み合わせられる。
これにより、5つの異なるサイトからプールされた大規模データセットの予測精度とパターン安定性において、サイトと人口の多様性(年齢と性別)によってもたらされる変動性が低減される。
結果は,多様性が予測性能に及ぼす影響を示した。
我々のモデルは多様性を低減し、コンポーネントの予測および一般化能力を改善することができる。
その結果,本モデルはmddの特徴である臨床関連パターンを高い再現性でロバストに同定できることがわかった。
関連論文リスト
- GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease [9.69595196614787]
本稿では,多モード臨床データ解析のための新しいヘテロジニアスハイパーグラフ融合フレームワークであるGAMA-PDを提案する。
GAMMA-PDは、高次情報を保存することにより、画像と非画像データを"ハイパーネットワーク"(患者集団グラフ)に統合する。
パーキンソン病における運動障害症状の予測に有意な改善が認められた。
論文 参考訳（メタデータ） (2024-10-01T15:51:33Z) - GFE-Mamba: Mamba-based AD Multi-modal Progression Assessment via Generative Feature Extraction from MCI [5.355943545567233]
アルツハイマー病(英語: Alzheimer's Disease、AD)は、軽度認知障害(MCI)から進行する可逆性神経変性疾患である。
生成特徴抽出(GFE)に基づく分類器GFE-Mambaを紹介する。
評価尺度、MRI、PETのデータを統合し、より深いマルチモーダル融合を可能にする。
GFE-MambaモデルがMCIからADへの変換予測に有効であることを示す。
論文 参考訳（メタデータ） (2024-07-22T15:22:33Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - PheME: A deep ensemble framework for improving phenotype prediction from
multi-modal data [42.56953523499849]
PheMEは, 構造化EHRのマルチモーダルデータを用いたアンサンブル・フレームワークであり, 非構造化臨床ノートを用いて, 正確なフェノタイプ予測を行う。
我々はアンサンブル学習を活用し、単一モーダルモデルと多モーダルモデルからの出力を組み合わせて表現型予測を改善する。
論文 参考訳（メタデータ） (2023-03-19T23:41:04Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳（メタデータ） (2022-11-09T14:48:13Z) - Feature robustness and sex differences in medical imaging: a case study
in MRI-based Alzheimer's disease detection [1.7616042687330637]
我々はADNI MRIデータセットの2つの分類方式を比較した。
訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
論文 参考訳（メタデータ） (2022-04-04T17:37:54Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - 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) - A Joint Network Optimization Framework to Predict Clinical Severity from Resting State Functional MRI Data [3.276067241408604]
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) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z)
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。