論文の概要: Transformer-based normative modelling for anomaly detection of early
schizophrenia
- arxiv url: http://arxiv.org/abs/2212.04984v1
- Date: Thu, 8 Dec 2022 18:22:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 14:27:17.101993
- Title: Transformer-based normative modelling for anomaly detection of early
schizophrenia
- Title(参考訳): 早期統合失調症の異常検出のためのトランスフォーマーに基づく規範的モデリング
- Authors: Pedro F Da Costa, Jessica Dafflon, Sergio Leonardo Mendes, Jo\~ao
Ricardo Sato, M. Jorge Cardoso, Robert Leech, Emily JH Jones and Walter H.L.
Pinaya
- Abstract要約: 我々はニューロタイプ個体の3次元MRIスキャンでモデルを訓練した。
早期統合失調症の神経型コントロールと精神科患者の可能性について検討した。
- 参考スコア(独自算出の注目度): 1.291405125557051
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the impact of psychiatric disorders on clinical health, early-stage
diagnosis remains a challenge. Machine learning studies have shown that
classifiers tend to be overly narrow in the diagnosis prediction task. The
overlap between conditions leads to high heterogeneity among participants that
is not adequately captured by classification models. To address this issue,
normative approaches have surged as an alternative method. By using a
generative model to learn the distribution of healthy brain data patterns, we
can identify the presence of pathologies as deviations or outliers from the
distribution learned by the model. In particular, deep generative models showed
great results as normative models to identify neurological lesions in the
brain. However, unlike most neurological lesions, psychiatric disorders present
subtle changes widespread in several brain regions, making these alterations
challenging to identify. In this work, we evaluate the performance of
transformer-based normative models to detect subtle brain changes expressed in
adolescents and young adults. We trained our model on 3D MRI scans of
neurotypical individuals (N=1,765). Then, we obtained the likelihood of
neurotypical controls and psychiatric patients with early-stage schizophrenia
from an independent dataset (N=93) from the Human Connectome Project. Using the
predicted likelihood of the scans as a proxy for a normative score, we obtained
an AUROC of 0.82 when assessing the difference between controls and individuals
with early-stage schizophrenia. Our approach surpassed recent normative methods
based on brain age and Gaussian Process, showing the promising use of deep
generative models to help in individualised analyses.
- Abstract(参考訳): 精神疾患が臨床健康に与える影響にもかかわらず、早期診断は依然として課題である。
機械学習の研究は、診断予測タスクにおいて分類器が過度に狭い傾向があることを示した。
条件の重複は、分類モデルによって適切に捉えられていない参加者の間で高い均一性をもたらす。
この問題に対処するため、代替手法として規範的アプローチが急増した。
生成モデルを用いて、健康な脳データパターンの分布を学習することにより、モデルが学習した分布から、病理の存在を逸脱または外れ値として識別することができる。
特に、深い生成モデルでは、脳内の神経病変を識別する規範モデルとして大きな結果が得られた。
しかし、多くの神経疾患とは異なり、精神疾患はいくつかの脳領域に微妙な変化を示しており、これらの変化を識別することは困難である。
本研究では,青年期および青年期の微妙な脳変化を検出するために,トランスフォーマーに基づく規範モデルの性能を評価する。
神経病原性個体(n=1,765)の3次元mriスキャンでモデルを訓練した。
そして,ヒトコネクトームプロジェクトから独立したデータセット (n=93) から初期統合失調症患者と精神病患者の神経型制御の可能性を得た。
標準スコアの指標として推定されたスキャンの確率を用いて, 早期統合失調症患者とコントロールの差を評価する際, 0.82 の auroc を得た。
提案手法は,脳年齢とガウス過程に基づく近年の規範的手法を超越し,個人化分析における深層生成モデルの有用性を示した。
関連論文リスト
- Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification [3.144057505325736]
部分プロトタイプニューラルネットワークは、Deep Learning(DL)の計算上の利点を解釈可能な設計アーキテクチャに統合する。
PIMPNetは3D sMRIと患者の年齢からアルツハイマー病(AD)のバイナリ分類に適用された3D画像と人口統計の解釈可能な最初のマルチモーダルモデルである。
論文 参考訳(メタデータ) (2024-07-19T12:58:18Z) - Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳(メタデータ) (2023-12-28T10:30:54Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Deep learning reveals the common spectrum underlying multiple brain
disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。
病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。
多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文 参考訳(メタデータ) (2023-02-23T09:22:05Z) - Normative Modeling via Conditional Variational Autoencoder and
Adversarial Learning to Identify Brain Dysfunction in Alzheimer's Disease [10.302206705998563]
アルツハイマー病(AD)の脳機能障害を同定するために、条件付き変分オートエンコーダと対向学習(ACVAE)を組み合わせた新しい規範的モデリング法を提案する。
OASIS-3データベースを用いた実験により,本モデルが生成する偏差マップは,他の深部規範モデルと比較してADに対する感度が高いことが示された。
論文 参考訳(メタデータ) (2022-11-13T07:36:30Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳(メタデータ) (2022-11-12T23:28:54Z) - NormVAE: Normative Modeling on Neuroimaging Data using Variational
Autoencoders [0.776692116806953]
ディープオートエンコーダは規範的モデルとして実装され、患者レベルの偏差は、偏差の不確実性な推定をせずに、実際の入力と再構成された入力の正方形差としてモデル化されている。
本研究では,主観的規範的異常マップ(NAM)を算出し,偏差の不確かさを定量化する,新しい規範的モデリングに基づく変分オートエンコーダ(VAE)について検討した。
論文 参考訳(メタデータ) (2021-10-10T20:55:34Z) - 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) - 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) - 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) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳(メタデータ) (2020-02-06T17:25:37Z)
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。