論文の概要: Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks

• arxiv url: http://arxiv.org/abs/2302.11871v1
• Date: Thu, 23 Feb 2023 09:22:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-24 15:53:33.871617
• Title: Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks
• Title（参考訳）: 深層学習は脳機能ネットワークから若年者および高齢者の多脳障害の基礎となる共通スペクトルを明らかにする
• Authors: Mianxin Liu, Jingyang Zhang, Yao Wang, Yan Zhou, Fang Xie, Qihao Guo, Feng Shi, Han Zhang, Qian Wang, Dinggang Shen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.257804915263165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain disorders in the early and late life of humans potentially share pathological alterations in brain functions. However, the key evidence from neuroimaging data for pathological commonness remains unrevealed. To explore this hypothesis, we build a deep learning model, using multi-site functional magnetic resonance imaging data (N=4,410, 6 sites), for classifying 5 different brain disorders from healthy controls, with a set of common features. Our model achieves 62.6(1.9)% overall classification accuracy on data from the 6 investigated sites and detects a set of commonly affected functional subnetworks at different spatial scales, including default mode, executive control, visual, and limbic networks. In the deep-layer feature representation for individual data, we observe young and aging patients with disorders are continuously distributed, which is in line with the clinical concept of the "spectrum of disorders". The revealed spectrum underlying early- and late-life brain disorders promotes the understanding of disorder comorbidities in the lifespan.
• Abstract（参考訳）: 人間の早期および後期の脳障害は、脳機能の病理的変化を共有する可能性がある。 しかし、病理学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。 この仮説を探求するために,多地点機能磁気共鳴画像データ(n=4,410,6サイト)を用いて,健康なコントロールから5つの異なる脳疾患を分類する深層学習モデルを構築した。 本モデルでは,6地点のデータに対する62.6(1.9)%の総合分類精度を達成し,既定モード,エグゼクティブコントロール,ビジュアルネットワーク,辺縁ネットワークなど,様々な空間スケールで,一般的に影響を受ける機能サブネットの集合を検出する。 個人データに対する深層的特徴表現では,障害のある若年・高齢の患者が継続的に分散しているのが観察され,これは「障害のスペクトラム」という臨床概念と一致している。 早期および後期の脳障害の根底にあるスペクトルは、寿命における障害の共生性の理解を促進する。

関連論文リスト

• Contrasformer: A Brain Network Contrastive Transformer for Neurodegenerative Condition Identification [15.24676785238373]
  本稿では,新しいコントラスト型脳ネットワークトランスであるContrasformerを提案する。 サブポピュレーション間の分布シフトに対処するために、事前知識付きコントラストグラフを生成する。 コントラストフォーマーは、最大10.8%の精度向上によって、脳ネットワークの最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-09-17T07:26:02Z)
• Large Language Model-based FMRI Encoding of Language Functions for Subjects with Neurocognitive Disorder [53.575426835313536]
  LLMを用いたfMRIエンコーディングと脳のスコアを用いた高齢者の言語関連機能変化について検討する。 脳のスコアと認知スコアの相関関係を脳全体のROIと言語関連ROIの両方で分析した。 以上の結果から,認知能力の向上は,中側頭回に有意な相関がみられた。
  論文  参考訳（メタデータ） (2024-07-15T01:09:08Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• Transformer-based normative modelling for anomaly detection of early schizophrenia [1.291405125557051]
  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。
  論文  参考訳（メタデータ） (2022-12-08T18:22:36Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Classification of ADHD Patients Using Kernel Hierarchical Extreme Learning Machine [3.39487428163997]
  我々は、脳機能接続のダイナミクスを利用して、医療画像データの特徴をモデル化する。 その結果,最先端モデルよりも優れた分類率を得た。
  論文  参考訳（メタデータ） (2022-06-28T05:17:54Z)
• Classification of ADHD Patients by Kernel Hierarchical Extreme Learning Machine [4.168157981135698]
  我々は,脳の機能的接続のダイナミクスを考察し,医療画像から機能的脳力学モデルをモデル化する。 本稿では,23人のADHD児と45人のNC児を対象に,fMRI画像データの比較を行った。 提案手法は既存の方法よりも優れた分類結果を得た。
  論文  参考訳（メタデータ） (2022-02-18T01:32:55Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)
• 4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum Disorder Classification [69.62333053044712]
  ASD分類のための4次元畳み込み深層学習手法を提案する。 F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
  論文  参考訳（メタデータ） (2020-04-21T17:19:06Z)

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。