論文の概要: Promises and pitfalls of deep neural networks in neuroimaging-based
psychiatric research
- arxiv url: http://arxiv.org/abs/2301.08525v1
- Date: Fri, 20 Jan 2023 12:05:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 13:19:31.250747
- Title: Promises and pitfalls of deep neural networks in neuroimaging-based
psychiatric research
- Title(参考訳): 神経画像に基づく精神医学研究におけるディープニューラルネットワークの約束と落とし穴
- Authors: Fabian Eitel, Marc-Andr\'e Schulz, Moritz Seiler, Henrik Walter,
Kerstin Ritter
- Abstract要約: ディープニューラルネットワーク、特に畳み込みニューラルネットワークは、医療画像の強力なツールへと進化してきた。
ここでは、まず、方法論的鍵概念と結果の方法論的約束について紹介する。
神経画像に基づく精神医学研究における最近の応用を振り返り、現在の課題について論じる。
- 参考スコア(独自算出の注目度): 0.9449650062296824
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: By promising more accurate diagnostics and individual treatment
recommendations, deep neural networks and in particular convolutional neural
networks have advanced to a powerful tool in medical imaging. Here, we first
give an introduction into methodological key concepts and resulting
methodological promises including representation and transfer learning, as well
as modelling domain-specific priors. After reviewing recent applications within
neuroimaging-based psychiatric research, such as the diagnosis of psychiatric
diseases, delineation of disease subtypes, normative modeling, and the
development of neuroimaging biomarkers, we discuss current challenges. This
includes for example the difficulty of training models on small, heterogeneous
and biased data sets, the lack of validity of clinical labels, algorithmic
bias, and the influence of confounding variables.
- Abstract(参考訳): より正確な診断と個別の治療法の推奨を約束することで、深層ニューラルネットワークと特に畳み込みニューラルネットワークは、医療画像の強力なツールへと進歩した。
ここではまず,方法論的キー概念と表現と伝達学習,ドメイン固有の優先順位のモデリングといった方法論的約束について紹介する。
精神疾患の診断,疾患サブタイプの分類,規範的モデリング,神経画像バイオマーカーの開発など,神経画像に基づく精神医学研究の最近の応用を振り返って,現在の課題について考察する。
例えば、小さな、異質な、偏りのあるデータセットでモデルをトレーニングすることの難しさ、臨床ラベルの妥当性の欠如、アルゴリズムバイアス、共起変数の影響などです。
関連論文リスト
- 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) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳(メタデータ) (2022-12-08T15:16:04Z) - Applications of Generative Adversarial Networks in Neuroimaging and
Clinical Neuroscience [4.394368629380544]
GAN(Generative Adversarial Network)は,多くの分野において有効なディープラーニングモデルである。
GANは、空間的に複雑で非線形で、潜在的に微妙な病気効果を捉える能力を増強している。
本総説では, 各種神経疾患のイメージング研究におけるGANの応用について, 既存の文献を概説する。
論文 参考訳(メタデータ) (2022-06-14T18:10:00Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳(メタデータ) (2021-09-20T15:12:16Z) - Machine Learning Applications on Neuroimaging for Diagnosis and
Prognosis of Epilepsy: A Review [6.185653026582807]
てんかんの診断と予後の文脈におけるニューロイメージングと機械学習の相互作用を強調した。
本稿では,2段階構成法とエンドツーエンド法という2つの手法を用いて,ニューロイメージングデータに機械学習手法を適用する。
セグメンテーション、ローカライゼーション、横方向化タスクなど、てんかん性画像における機械学習タスクの詳細なレビューを行う。
論文 参考訳(メタデータ) (2021-02-05T18:39:12Z) - 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 Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis [38.213459556446765]
深層学習は、最近、構造的磁気共鳴画像(MRI)、機能的MRI、ポジトロン放射断層撮影(PET)などの神経画像の解析に使われている。
本稿では、ニューロイメージングに基づく脳障害解析におけるディープラーニング手法の適用について概説する。
論文 参考訳(メタデータ) (2020-05-10T04:20:50Z) - 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。