論文の概要: Don't PANIC: Prototypical Additive Neural Network for Interpretable Classification of Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2303.07125v2
• Date: Tue, 14 Mar 2023 08:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 11:10:01.263322
• Title: Don't PANIC: Prototypical Additive Neural Network for Interpretable Classification of Alzheimer's Disease
• Title（参考訳）: don't panic: アルツハイマー病の解釈可能な分類のための典型的付加型ニューラルネットワーク
• Authors: Tom Nuno Wolf, Sebastian P\"olsterl, and Christian Wachinger
• Abstract要約: 本稿では,アルツハイマー病 (AD) の分類を解釈するための原型付加型ニューラルネットワークであるPANICを提案する。 PANICはAD分類における最先端のパフォーマンスを達成し,局所的およびグローバルな説明を直接提供することを示す。
• 参考スコア（独自算出の注目度）: 2.4469484645516837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alzheimer's disease (AD) has a complex and multifactorial etiology, which requires integrating information about neuroanatomy, genetics, and cerebrospinal fluid biomarkers for accurate diagnosis. Hence, recent deep learning approaches combined image and tabular information to improve diagnostic performance. However, the black-box nature of such neural networks is still a barrier for clinical applications, in which understanding the decision of a heterogeneous model is integral. We propose PANIC, a prototypical additive neural network for interpretable AD classification that integrates 3D image and tabular data. It is interpretable by design and, thus, avoids the need for post-hoc explanations that try to approximate the decision of a network. Our results demonstrate that PANIC achieves state-of-the-art performance in AD classification, while directly providing local and global explanations. Finally, we show that PANIC extracts biologically meaningful signatures of AD, and satisfies a set of desirable desiderata for trustworthy machine learning. Our implementation is available at https://github.com/ai-med/PANIC .
• Abstract（参考訳）: アルツハイマー病(ad)は、神経解剖学、遺伝学、脳脊髄液バイオマーカーに関する情報を統合して正確な診断を行う複雑な多因子性疾患である。 したがって、最近のディープラーニングアプローチでは、画像と表情報を組み合わせて診断性能を向上させる。 しかしながら、そのようなニューラルネットワークのブラックボックスの性質は、異種モデルの決定を理解することが不可欠である臨床応用の障壁である。 本稿では,3次元画像と表データを組み合わせたAD分類のための原型付加型ニューラルネットワークPANICを提案する。 設計によって解釈可能であり、ネットワークの決定を近似しようとするポストホックな説明は不要である。 以上の結果から,PANICはAD分類における最先端性能を実現し,局所的およびグローバルな説明を直接提供する。 最後に,PAICは生物学的に意味のあるADのシグネチャを抽出し,信頼できる機械学習のための望ましいデシラタのセットを満たすことを示す。 私たちの実装はhttps://github.com/ai-med/PANIC で公開されています。

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)
• PIPNet3D: Interpretable Detection of Alzheimer in MRI Scans [2.8254815749464544]
  Part-Prototype Neural Network (PP-NN) は標準ブラックボックスモデルの代替品である。 ボリューム画像のためのプロトタイプPP-NNであるPIPNet3Dを提案する。 構造型磁気共鳴画像(sMRI)によるアルツハイマー病の臨床診断にPIPNet3Dを適用した。
  論文  参考訳（メタデータ） (2024-03-27T08:09:04Z)
• Digital Histopathology with Graph Neural Networks: Concepts and Explanations for Clinicians [54.136225756724755]
  GCExplainerとLogic Explained Networksを用いて,グラフニューラルネットワークのグローバルな説明を行う。 乳がんのH&Eスライドのトレーニングにより、臨床医に説明可能な信頼できるAIツールを提供することで、有望な結果を示す。
  論文  参考訳（メタデータ） (2023-12-04T00:20:50Z)
• Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
  我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
  論文  参考訳（メタデータ） (2023-06-15T16:22:57Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• PINNet: a deep neural network with pathway prior knowledge for Alzheimer's disease [2.726037037420483]
  早期診断にはアルツハイマー病(AD)関連転写因子の血液からの同定が重要である。 本稿では,AD患者を予測し,血液および脳の転写学的シグネチャを解析するための経路情報に基づくニューラルネットワーク(PINNet)を提案する。
  論文  参考訳（メタデータ） (2022-11-27T05:00:26Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Unifying Neural Learning and Symbolic Reasoning for Spinal Medical Report Generation [33.818136671925444]
  本稿では,深層学習と記号論理的推論を統一することにより,人間的な学習を行うニューラル・シンボリック・ラーニング・フレームワークを提案する。 我々のアルゴリズムは、既存の脊髄構造検出手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2020-04-28T15:06:24Z)
• Explainable Deep CNNs for MRI-Based Diagnosis of Alzheimer's Disease [3.3948742816399693]
  脳磁気共鳴画像(MRI)を用いたアルツハイマー病(AD)の半自動診断モデルとして,Deep Convolutional Neural Networks(CNN)が注目されている。 脳スキャンタスクに特化して設計された別の説明法を提案する。 スワップテスト(Swap Test)と呼ばれる本手法は,ADを最も表す脳の領域を表わしたヒートマップを作成し,臨床医に理解可能な形式でモデル決定の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2020-04-25T18:14:49Z)

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。