論文の概要: Pathology Steered Stratification Network for Subtype Identification in
Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2210.05880v1
- Date: Wed, 12 Oct 2022 02:52:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 15:49:20.411955
- Title: Pathology Steered Stratification Network for Subtype Identification in
Alzheimer's Disease
- Title(参考訳): アルツハイマー病のサブタイプ同定のための病理ステアリングネットワーク
- Authors: Enze Xu, Jingwen Zhang, Jiadi Li, Defu Yang, Guorong Wu, Minghan Chen
- Abstract要約: アルツハイマー病(英語: Alzheimer's disease, AD)は、βアミロイド、病理学的タウ、神経変性を特徴とする異種多因子性神経変性疾患である。
そこで,本研究では,多モード縦型神経画像データとメインストリームADを融合した新しい病理ステアリング階層ネットワーク(PSSN)を提案し,高齢化人口を分類した。
- 参考スコア(独自算出の注目度): 6.640036407647804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alzheimer's disease (AD) is a heterogeneous, multifactorial neurodegenerative
disorder characterized by beta-amyloid, pathologic tau, and neurodegeneration.
The massive heterogeneity between neurobiological examinations and clinical
assessment is the current biggest challenge in the early diagnosis of
Alzheimer's disease, urging for a comprehensive stratification of the aging
population that is defined by reliable neurobiological biomarkers and closely
associated with clinical outcomes. However, existing statistical inference
approaches in neuroimaging studies of AD subtype identification fail to take
into account the neuropathological domain knowledge, which could lead to
ill-posed results that are sometimes inconsistent with neurological principles.
To fill this knowledge gap, we propose a novel pathology steered stratification
network (PSSN) that integrates mainstream AD pathology with multimodal
longitudinal neuroimaging data to categorize the aging population. By combining
theory-based biological modeling and data-driven deep learning, this
cross-disciplinary approach can not only generate long-term biomarker
prediction consistent with the end-state of individuals but also stratifies
subjects into fine-grained subtypes with distinct neurological underpinnings,
where ag-ing brains within the same subtype share com-mon biological behaviors
that emerge as similar trajectories of cognitive decline. Our stratification
outperforms K-means and SuStaIn in both inter-cluster heterogeneity and
intra-cluster homogeneity of various clinical scores. Importantly, we identify
six subtypes spanning AD spectrum, where each subtype exhibits a distinctive
biomarker pattern that is consistent with its clinical outcome. A disease
evolutionary graph is further provided by quantifying subtype transition
probabilities, which may assist pre-symptomatic diagnosis and guide therapeutic
treatments.
- Abstract(参考訳): アルツハイマー病 (ad) は、βアミロイド、病理tau、神経変性を特徴とする異種多因子性神経変性障害である。
神経生物学的検査と臨床評価の間の大きな異質性は、アルツハイマー病の早期診断における現在の最大の課題であり、信頼性の高い神経生物学的バイオマーカーによって定義され、臨床結果と密接に関連する老化集団の包括的成層化を求めるものである。
しかし、ADサブタイプ同定の神経イメージング研究における既存の統計的推測手法は、神経病理領域の知識を考慮に入れず、しばしば神経学の原理と矛盾する結果をもたらす可能性がある。
この知識ギャップを埋めるために,本邦のAD病理とマルチモーダル縦型神経画像データを統合し,高齢化人口を分類する新しい病理ステアリング階層ネットワーク(PSSN)を提案する。
理論に基づく生物学的モデリングとデータ駆動深層学習を組み合わせることで、この学際的なアプローチは、個体の終末状態と一致する長期的なバイオマーカー予測を生成するだけでなく、異なる神経学的基盤を持つ細粒度のサブタイプへと被験者を階層化することができる。
階層化はk-meansを上回り,様々な臨床スコアのクラスタ間不均一性とクラスタ内均質性の両方を維持できる。
ここではADスペクトルにまたがる6つのサブタイプを同定し,それぞれのサブタイプが臨床結果と一致した特徴的なバイオマーカーパターンを示す。
疾患進化グラフは、症状前診断およびガイド治療の補助となるサブタイプ遷移確率の定量化によってさらに提供される。
関連論文リスト
- Multimodal Neurodegenerative Disease Subtyping Explained by ChatGPT [15.942849233189664]
アルツハイマー病は最も多い神経変性疾患である。
現在のデータ駆動型アプローチでは、ADまたは関連する障害の後期段階でサブタイプを分類することができるが、無症状またはプロドロマル段階の予測では困難である。
本稿では,AD患者を早期にサブタイプに分類するために,画像,遺伝学,臨床評価などの早期指標を用いたマルチモーダルフレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-31T19:30:04Z) - Dimensional Neuroimaging Endophenotypes: Neurobiological Representations
of Disease Heterogeneity Through Machine Learning [11.653182438505558]
まず、機械学習とマルチモーダルMRIを用いて、様々な神経精神・神経変性疾患における疾患の多様性を解明する研究の体系的な概要を述べる。
次に、関連する機械学習手法を要約し、DNEと呼ばれる新しいパラダイムについて議論する。
DNEは神経精神医学および神経変性疾患の神経生物学的不均一性を低次元で情報的かつ定量的な脳表現表現に識別する。
論文 参考訳(メタデータ) (2024-01-17T16:31:48Z) - 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) - Morphological feature visualization of Alzheimer's disease via
Multidirectional Perception GAN [40.50404819220093]
アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。
MP-GANは既存の手法に比べて優れた性能を発揮する。
論文 参考訳(メタデータ) (2021-11-25T03:24:52Z) - ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。
Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
論文 参考訳(メタデータ) (2021-03-03T17:55:14Z) - 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) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - 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) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳(メタデータ) (2020-01-08T15:47:08Z)
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。