論文の概要: From Group-Differences to Single-Subject Probability: Conformal Prediction-based Uncertainty Estimation for Brain-Age Modeling

• arxiv url: http://arxiv.org/abs/2302.05304v1
• Date: Fri, 10 Feb 2023 15:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-02-13 15:33:37.598848
• Title: From Group-Differences to Single-Subject Probability: Conformal Prediction-based Uncertainty Estimation for Brain-Age Modeling
• Title（参考訳）: グループ差分から単射確率へ:共形予測に基づく脳年齢モデルの不確実性推定
• Abstract要約: 脳年齢差は、障害全体にわたる脳変化の最も調査された危険マーカーの1つである。 我々は不確実性を考慮したディープニューラルネットワークと共形予測理論を組み合わせる。 我々はN=16,794人の被験者のサンプルで、最先端の大規模脳老化モデルとして低い誤差または同等の誤差を示す。 我々のモデルから得られた加速脳老化の確率は、アルツハイマー病、双極性障害、および大うつ病と関連している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The brain-age gap is one of the most investigated risk markers for brain changes across disorders. While the field is progressing towards large-scale models, recently incorporating uncertainty estimates, no model to date provides the single-subject risk assessment capability essential for clinical application. In order to enable the clinical use of brain-age as a biomarker, we here combine uncertainty-aware deep Neural Networks with conformal prediction theory. This approach provides statistical guarantees with respect to single-subject uncertainty estimates and allows for the calculation of an individual's probability for accelerated brain-aging. Building on this, we show empirically in a sample of N=16,794 participants that 1. a lower or comparable error as state-of-the-art, large-scale brain-age models, 2. the statistical guarantees regarding single-subject uncertainty estimation indeed hold for every participant, and 3. that the higher individual probabilities of accelerated brain-aging derived from our model are associated with Alzheimer's Disease, Bipolar Disorder and Major Depressive Disorder.
• Abstract（参考訳）: 脳年齢差は、障害間の脳変化の最も調査された危険マーカーの1つである。 この分野は、近年の不確実性推定を組み込んだ大規模モデルに向かって進んでいるが、これまでのモデルは、臨床応用に不可欠な単射リスク評価能力を提供していない。 バイオマーカーとしてブレインエイジを臨床利用するために,不確実性を考慮したディープニューラルネットワークと共形予測理論を組み合わせる。 このアプローチは、単射不確実性推定に関する統計的保証を提供し、脳老化を加速する個人の確率の計算を可能にする。 これに基づいて、n=16,794の参加者のサンプルを実証的に示す。 1.最先端の大規模脳年齢モデルと低い、または同等の誤差 2.各参加者に対する単射不確実性推定に関する統計的保証 3) アルツハイマー病, 双極性障害, 大うつ病にともなう加速型脳老化の確率が高いこと。

関連論文リスト

• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Dual Model Deep Learning for Alzheimer Prognostication [4.970364068620607]
  PROGRESSは単一の脳脊髄液バイオマーカー評価を実行可能な予後推定に変換する。 深層生存モデルでは、軽度認知障害から認知症への転換までの時間を推定する。 コックス比例リスク、ランダムサバイバルフォレスト、および生存予測のための勾配促進法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-22T07:08:20Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• A personalized Uncertainty Quantification framework for patient survival models: estimating individual uncertainty of patients with metastatic brain tumors in the absence of ground truth [4.665141823455397]
  脳転移に対する定位放射線治療を施行した1383例を対象に,本手法を考案し,評価した。 以上の結果から,全てのモデルにおいてICPが最低不確実性(2.21%),ICPDが最低不確実性(17.28%)を示した。
  論文  参考訳（メタデータ） (2023-11-28T19:07:30Z)
• Beyond Voxel Prediction Uncertainty: Identifying brain lesions you can trust [1.1199585259018459]
  ディープニューラルネットワークは、3D医療画像の自動セグメンテーションにおけるゴールドスタンダードのアプローチとなっている。 本研究では,革新的なグラフニューラルネットワークアプローチを用いて,ボクセルによる評価を超えることを提案する。 このネットワークは、エントロピー、分散、モデルの信頼という、ボクセルの不確実性の3つの推定器の融合を可能にする。
  論文  参考訳（メタデータ） (2022-09-22T09:20:05Z)
• Bridging the Gap between Deep Learning and Hypothesis-Driven Analysis via Permutation Testing [16.397774179084607]
  置換テストの概念に基づくフレキシブルでスケーラブルなアプローチを提案する。 青少年期における全国アルコール・神経発達コンソーシアム621名の年次自己報告評価にアプローチを適用した。 本手法は,症状を説明する危険因子の分類に成功している。
  論文  参考訳（メタデータ） (2022-07-28T19:01:09Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• An Uncertainty-Aware, Shareable and Transparent Neural Network Architecture for Brain-Age Modeling [0.45763926712997843]
  本稿では,不確実性を認識し,共有可能かつ透明なモンテカルロドロップアウトコンポジット-クアンタイル-回帰ニューラルネットワークを提案する。 MCCQRモデルは、高次元のニューロイメージングデータにおいて、堅牢で分布のない不確実性定量化を提供する。 10のリクルートセンターと3つの独立したバリデーションサンプルで、既存のモデルと比較してエラー率を低くする。
  論文  参考訳（メタデータ） (2021-07-16T15:48:08Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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 General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Statistical Agnostic Mapping: a Framework in Neuroimaging based on Concentration Inequalities [0.0]
  ボクセルやマルチボクセルレベルでの統計アグノスティック(非パラメトリック)マッピングを導出する。 集中不平等に基づくニューロイメージングの新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2019-12-27T18:27:50Z)

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。