論文の概要: Accelerated functional brain aging in major depressive disorder:
evidence from a large scale fMRI analysis of Chinese participants
- arxiv url: http://arxiv.org/abs/2205.04871v1
- Date: Sun, 8 May 2022 09:26:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 21:00:10.056451
- Title: Accelerated functional brain aging in major depressive disorder:
evidence from a large scale fMRI analysis of Chinese participants
- Title（参考訳）: 大うつ病における機能的脳老化の促進--中国人の大規模fMRI解析から
- Authors: Yunsong Luo, Wenyu Chen, Jiang Qiu, Tao Jia
- Abstract要約: 大うつ病 (Major depressive disorder, MDD) は、脳萎縮と死亡との関連について集中的に研究されている、最も一般的な精神疾患の1つである。
近年の研究では、予測年齢と時系列年齢のずれが、MDDを特徴づける加速脳老化の指標となることが示されている。
ここでは、中国の複数のコホート参加者から収集された大規模な静止状態fMRIデータセットであるREST-meta-MDDを利用する。
- 参考スコア（独自算出の注目度）: 8.184714897613166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Major depressive disorder (MDD) is one of the most common mental health
conditions that has been intensively investigated for its association with
brain atrophy and mortality. Recent studies reveal that the deviation between
the predicted and the chronological age can be a marker of accelerated brain
aging to characterize MDD. However, current conclusions are usually drawn based
on structural MRI information collected from Caucasian participants. The
universality of this biomarker needs to be further validated by subjects with
different ethnic/racial backgrounds and by different types of data. Here we
make use of the REST-meta-MDD, a large scale resting-state fMRI dataset
collected from multiple cohort participants in China. We develop a stacking
machine learning model based on 1101 healthy controls, which estimates a
subject's chronological age from fMRI with promising accuracy. The trained
model is then applied to 1276 MDD patients from 24 sites. We observe that MDD
patients exhibit a $+4.43$ years ($\text{$p$} < 0.0001$, $\text{Cohen's $d$} =
0.35$, $\text{95\% CI}:1.86 - 3.91$) higher brain-predicted age difference
(brain-PAD) compared to controls. In the MDD subgroup, we observe a
statistically significant $+2.09$ years ($\text{$p$} < 0.05$, $\text{Cohen's
$d$} = 0.134483$) brain-PAD in antidepressant users compared to medication-free
patients. The statistical relationship observed is further checked by three
different machine learning algorithms. The positive brain-PAD observed in
participants in China confirms the presence of accelerated brain aging in MDD
patients. The utilization of functional brain connectivity for age estimation
verifies existing findings from a new dimension.
- Abstract（参考訳）: 主要なうつ病性障害(mdd)は、脳萎縮と死亡との関連について集中的に研究されている最も一般的な精神疾患の1つである。
近年の研究では、予測年齢と時系列年齢のずれが、MDDを特徴づける加速脳老化の指標となることが示されている。
しかし、現在の結論は通常、コーカサス人の参加者から収集された構造的MRI情報に基づいて導かれる。
このバイオマーカーの普遍性は、異なる民族的・人種的背景と異なる種類のデータによってさらに検証される必要がある。
ここでは、中国の複数のコホート参加者から収集された大規模な静止状態fMRIデータセットであるREST-meta-MDDを利用する。
1101の健常度制御に基づく階層型機械学習モデルを構築し,fMRIの時系列年齢を有望な精度で推定する。
訓練されたモデルは、24箇所から1276名のMDD患者に適用される。
mdd患者は、コントロールと比較して脳予測年齢差(brain-pad)が高い(+4.43$ years (\text{$p$} < 0.0001$, $\text{cohen's $d$} = 0.35$, $\text{95\% ci}:1.86 - 3.91$)。
mddサブグループでは、統計的に有意な$2.09$ years (\text{$p$} < 0.05$, $\text{cohen's $d$} = 0.134483$) が抗うつ薬のない患者と比較された。
観測された統計関係は、3つの異なる機械学習アルゴリズムによってさらにチェックされる。
中国の参加者で観察された陽性脳PADは、MDD患者の脳老化が加速していることを確認する。
年齢推定における機能的脳接続の利用は、新しい次元から既存の知見を検証する。
関連論文リスト
- A Brain Age Residual Biomarker (BARB): Leveraging MRI-Based Models to Detect Latent Health Conditions in U.S. Veterans [0.0]
MRIなどの脳画像を用いた年齢予測は有望な結果を得た。
我々は、米国退役軍人1,220人のデータセットを用いて、脳年齢予測モデルを開発した。
5つのICD符号化条件のバイオマーカーとしての可能性を評価するために残留分析を行った。
論文 参考訳（メタデータ） (2025-01-10T13:56:03Z) - Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。
各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。
以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
論文 参考訳（メタデータ） (2025-01-02T19:37:09Z) - Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。
現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。
我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。
我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
論文 参考訳（メタデータ） (2024-12-01T21:54:08Z) - Large Language Model-based FMRI Encoding of Language Functions for Subjects with Neurocognitive Disorder [53.575426835313536]
LLMを用いたfMRIエンコーディングと脳のスコアを用いた高齢者の言語関連機能変化について検討する。
脳のスコアと認知スコアの相関関係を脳全体のROIと言語関連ROIの両方で分析した。
以上の結果から,認知能力の向上は,中側頭回に有意な相関がみられた。
論文 参考訳（メタデータ） (2024-07-15T01:09:08Z) - 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) - 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)
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。