論文の概要: Machine Learning Based Multimodal Neuroimaging Genomics Dementia Score
for Predicting Future Conversion to Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2203.05707v1
- Date: Fri, 11 Mar 2022 01:35:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 12:19:12.706142
- Title: Machine Learning Based Multimodal Neuroimaging Genomics Dementia Score
for Predicting Future Conversion to Alzheimer's Disease
- Title(参考訳): 機械学習を用いたマルチモーダル・ニューロイメージング・ゲノミクス認知症スコアによるアルツハイマー病の予後予測
- Authors: Ghazal Mirabnahrazam, Da Ma, Sieun Lee, Karteek Popuri, Hyunwoo Lee,
Jiguo Cao, Lei Wang, James E Galvin, Mirza Faisal Beg, and the Alzheimer's
Disease Neuroimaging Initiative
- Abstract要約: 画像/遺伝子型に基づくDATスコアを作成した。
DATスコアの0.5しきい値を用いて,将来,被験者がDATを発達させるか否かを予測した。
- 参考スコア(独自算出の注目度): 2.914776804701307
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: The increasing availability of databases containing both magnetic
resonance imaging (MRI) and genetic data allows researchers to utilize
multimodal data to better understand the characteristics of dementia of
Alzheimer's type (DAT). Objective: The goal of this study was to develop and
analyze novel biomarkers that can help predict the development and progression
of DAT. Methods: We used feature selection and ensemble learning classifier to
develop an image/genotype-based DAT score that represents a subject's
likelihood of developing DAT in the future. Three feature types were used: MRI
only, genetic only, and combined multimodal data. We used a novel data
stratification method to better represent different stages of DAT. Using a
pre-defined 0.5 threshold on DAT scores, we predicted whether or not a subject
would develop DAT in the future. Results: Our results on Alzheimer's Disease
Neuroimaging Initiative (ADNI) database showed that dementia scores using
genetic data could better predict future DAT progression for currently normal
control subjects (Accuracy=0.857) compared to MRI (Accuracy=0.143), while MRI
can better characterize subjects with stable mild cognitive impairment
(Accuracy=0.614) compared to genetics (Accuracy=0.356). Combining MRI and
genetic data showed improved classification performance in the remaining
stratified groups. Conclusion: MRI and genetic data can contribute to DAT
prediction in different ways. MRI data reflects anatomical changes in the
brain, while genetic data can detect the risk of DAT progression prior to the
symptomatic onset. Combining information from multimodal data in the right way
can improve prediction performance.
- Abstract(参考訳): 背景:MRI(MRI)と遺伝データの両方を含むデータベースの利用が増加し、研究者はマルチモーダルデータを利用してアルツハイマー型認知症の特徴をよりよく理解できるようになった。
目的: 本研究の目的は, DATの発達と進展を予測できる新しいバイオマーカーを開発し, 解析することであった。
方法: 特徴選択とアンサンブル学習分類器を用いて, 将来DATを発達させる可能性を示す画像/遺伝子型DATスコアを開発した。
MRIのみ,遺伝子のみ,複合マルチモーダルデータという3つの特徴型が用いられた。
DATの異なる段階をよりよく表現するために,新しいデータ階層化手法を用いた。
DATスコアの0.5しきい値を用いて,将来,被験者がDATを開発するか否かを予測した。
結果】アルツハイマー病の神経画像化イニシアチブ(adni)データベースでは、遺伝子データを用いた認知症スコアは、現在正常なコントロール対象(精度=0.857)に対して、mri(精度=0.143)と比較して、将来のdaf進行を予測できるが、mriでは、安定な軽度認知障害(精度=0.614)を持つ被験者を遺伝子(精度=0.356)と比較して、より優れた特徴付けが可能であることが示された。
MRIと遺伝子データを併用すると,残りの層状群では分類性能が向上した。
結論:MRIと遺伝データは、異なる方法でDAT予測に寄与することができる。
MRIデータは脳の解剖学的変化を反映し、遺伝データは症状発生前のDAT進行のリスクを検出する。
マルチモーダルデータからの情報を正しく組み合わせれば、予測性能が向上する。
関連論文リスト
- Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion
with Jacobian Maps [1.5501208213584152]
アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。
本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。
脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
論文 参考訳(メタデータ) (2023-10-25T19:02:57Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳(メタデータ) (2023-09-26T03:59:21Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Copy Number Variation Informs fMRI-based Prediction of Autism Spectrum
Disorder [9.544191399458954]
我々は、遺伝的、人口統計学的、神経画像データを組み合わせるためのより統合的なモデルを開発する。
表現型に対するジェノタイプの影響に触発されて,注意に基づくアプローチを提案する。
228ASDの性バランスデータセットを用いて,ASD分類と重度予測タスクに対する提案手法の評価を行った。
論文 参考訳(メタデータ) (2023-08-08T19:53:43Z) - 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) - Predicting Time-to-conversion for Dementia of Alzheimer's Type using
Multi-modal Deep Survival Analysis [2.914776804701307]
アルツハイマー病神経画像イニシアチブデータベースにおいて,MRI,遺伝子,CDCデータモダリティから63種類の特徴を有する401名の被験者を用いた。
以上の結果より, 遺伝学的特徴が生存率に最も寄与しているのに対し, CDC的特徴が最も寄与していることが明らかとなった。
論文 参考訳(メタデータ) (2022-05-02T20:10:10Z) - DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression
for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。
本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文 参考訳(メタデータ) (2022-03-17T05:42:00Z) - Robust Hierarchical Patterns for identifying MDD patients: A Multisite
Study [3.4561220135252264]
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。
論文 参考訳(メタデータ) (2022-02-22T19:40:32Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳(メタデータ) (2021-05-18T11:37:57Z) - 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) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z)
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。