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

• Parsing altered brain connectivity in neurodevelopmental disorders by integrating graph-based normative modeling and deep generative networks [1.2115617129203957]
  本稿では,神経型集団における脳ネットワークの発達を特徴付けるために,深層生成モデルとグラフベース規範モデルを統合する枠組みを提案する。 神経型脳ネットワークの発達軌跡を効果的に把握するために, バイオインスパイアされた配線制約が組み込まれている。 自閉症スペクトラム障害児の多用例に応用し,本枠組みの臨床的有用性を示す。
  論文  参考訳（メタデータ） (2024-10-14T20:21:11Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• NeuroBind: Towards Unified Multimodal Representations for Neural Signals [20.02503060795981]
  脳波、fMRI、カルシウムイメージング、スパイキングデータを含む複数の脳信号タイプを統一する表現であるNeuroBindを提案する。 このアプローチは、神経科学研究の進展、AIシステムの改善、神経補綴学と脳-コンピュータインターフェースの開発において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-07-19T04:42:52Z)
• 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)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• 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)
• 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)
• 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。