論文の概要: Automated Analysis of Drawing Process for Detecting Prodromal and
Clinical Dementia
- arxiv url: http://arxiv.org/abs/2211.08685v1
- Date: Wed, 16 Nov 2022 05:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 16:53:46.859395
- Title: Automated Analysis of Drawing Process for Detecting Prodromal and
Clinical Dementia
- Title（参考訳）: プロドローマおよび臨床認知症検出のための描画過程の自動解析
- Authors: Yasunori Yamada, Masatomo Kobayashi, Kaoru Shinkawa, Miyuki Nemoto,
Miho Ota, Kiyotaka Nemoto, Tetsuaki Arai
- Abstract要約: プロドロマ性認知症および臨床認知症をスクリーニングするための有望な方法として, 描画過程の自動解析が研究されている。
本研究は,これらの特徴を,前頭葉・臨床認知症だけでなく,認知障害の重症度を予測するためにも利用できるかを検討した。
以上の結果から,認知障害や認知症による神経病理学的変化に関する情報を自動解析することで得られることが示唆された。
- 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: Early diagnosis of dementia, particularly in the prodromal stage (i.e., mild
cognitive impairment, or MCI), has become a research and clinical priority but
remains challenging. Automated analysis of the drawing process has been studied
as a promising means for screening prodromal and clinical dementia, providing
multifaceted information encompassing features, such as drawing speed, pen
posture, writing pressure, and pauses. We examined the feasibility of using
these features not only for detecting prodromal and clinical dementia but also
for predicting the severity of cognitive impairments assessed using Mini-Mental
State Examination (MMSE) as well as the severity of neuropathological changes
assessed by medial temporal lobe (MTL) atrophy. We collected drawing data with
a digitizing tablet and pen from 145 older adults of cognitively normal (CN),
MCI, and dementia. The nested cross-validation results indicate that the
combination of drawing features could be used to classify CN, MCI, and dementia
with an AUC of 0.909 and 75.1% accuracy (CN vs. MCI: 82.4% accuracy; CN vs.
dementia: 92.2% accuracy; MCI vs. dementia: 80.3% accuracy) and predict MMSE
scores with an $R^2$ of 0.491 and severity of MTL atrophy with an $R^2$ of
0.293. Our findings suggest that automated analysis of the drawing process can
provide information about cognitive impairments and neuropathological changes
due to dementia, which can help identify prodromal and clinical dementia as a
digital biomarker.
- Abstract（参考訳）: 認知症の早期診断、特に前ドロマ期(軽度認知障害、MCI)は研究と臨床の優先事項となっているが、依然として困難である。
描画過程の自動解析は, プロドロマ, 臨床認知症をスクリーニングするための有望な手段として研究され, 描画速度, ペン姿勢, 筆記圧, 停止などの特徴を含む多面的情報を提供している。
本研究の目的は,前頭葉および臨床認知症の検出だけでなく,MMSE(Mini-Mental State Examination)を用いて評価した認知障害の重症度,および中側頭葉萎縮による神経病理学的変化の重症度を予測することである。
認知正常(CN), MCI, 認知症145名を対象に, デジタル化タブレットとペンを用いた描画データを収集した。
ネストクロスバリデーションの結果は, CN, MCI, 認知症を0.909および75.1%の精度(CN vs. MCI:82.4%の精度, CN vs. 認知症:92.2%の精度, MCI vs. 認知症: 80.3%の精度)で分類し, MMSEスコアを0.491ドルで予測し, MTL萎縮症の重症度を0.293ドルとした。
本研究は, 認知障害と認知神経病理学的変化の認知的変化を自動解析することにより, 表皮・臨床認知症をデジタルバイオマーカーとして認識する上で有効であることが示唆された。
関連論文リスト
- Leveraging Bi-Focal Perspectives and Granular Feature Integration for Accurate Reliable Early Alzheimer's Detection [0.0]
アルツハイマー病(英: Alzheimer's disease、AD)は、何百万人もの患者で毎年診断される、最も一般的な神経変性疾患である。
従来のCNNは画像中の大量の低レベル情報を抽出できるが、高レベルの極小粒子を抽出することができない。
本稿では,異なるスケールでの情報抽出と効率的な情報フローを組み合わせた新しいグラニュラー特徴統合手法を提案する。
論文 参考訳（メタデータ） (2024-07-15T17:22:16Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。
われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
論文 参考訳（メタデータ） (2024-05-02T09:41:31Z) - SNeurodCNN: Structure-focused Neurodegeneration Convolutional Neural Network for Modelling and Classification of Alzheimer's Disease [0.0]
認知症の主要な形態であるアルツハイマー病(AD)は、世界的な課題となっている。
現在の臨床診断は、放射線技師の専門家による解釈に依存しており、これは人間の誤りを招きやすい。
本稿では,SNeurodCNNという新しい構造に着目した神経変性CNNアーキテクチャを含むディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-08T14:33:57Z) - Balance Measures Derived from Insole Sensor Differentiate Prodromal
Dementia with Lewy Bodies [0.0]
我々はLewy body(MCI-LB)による軽度認知障害の認識を支援する機械学習に基づく自動パイプラインを提案する。
98人の被験者による実験の結果、MCI-LBを78.0%の精度で他のグループと区別できることが示された。
われわれは,MCI-LBのタイムリーな同定のための新たなアプローチを開拓し,患者に対するより良いケアを可能にした。
論文 参考訳（メタデータ） (2023-09-11T08:46:36Z) - Automated Huntington's Disease Prognosis via Biomedical Signals and
Shallow Machine Learning [0.0]
心電図, 心電図, 機能的近赤外分光データを用いて, 患者27名, コントロール36名, 不明6名のクリニックで収集した既製認定データセットを用いて検討した。
最大精度はスケールアウトしたExtremely Randomized Treesアルゴリズムにより達成され、受信者特性0.963の曲線下と91.353%の精度で達成された。
論文 参考訳（メタデータ） (2023-02-04T02:20:46Z) - Characterizing TMS-EEG perturbation indexes using signal energy: initial
study on Alzheimer's Disease classification [48.42347515853289]
経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。
本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
論文 参考訳（メタデータ） (2022-04-29T19:27:06Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - 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) - 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。