論文の概要: Incomplete Multimodal Learning for Complex Brain Disorders Prediction
- arxiv url: http://arxiv.org/abs/2305.16222v1
- Date: Thu, 25 May 2023 16:29:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 13:51:15.417861
- Title: Incomplete Multimodal Learning for Complex Brain Disorders Prediction
- Title（参考訳）: 複雑脳疾患予測のための不完全マルチモーダル学習
- Authors: Reza Shirkavand, Liang Zhan, Heng Huang, Li Shen, Paul M. Thompson
- Abstract要約: 本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
- 参考スコア（独自算出の注目度）: 65.95783479249745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in the acquisition of various brain data sources have
created new opportunities for integrating multimodal brain data to assist in
early detection of complex brain disorders. However, current data integration
approaches typically need a complete set of biomedical data modalities, which
may not always be feasible, as some modalities are only available in
large-scale research cohorts and are prohibitive to collect in routine clinical
practice. Especially in studies of brain diseases, research cohorts may include
both neuroimaging data and genetic data, but for practical clinical diagnosis,
we often need to make disease predictions only based on neuroimages. As a
result, it is desired to design machine learning models which can use all
available data (different data could provide complementary information) during
training but conduct inference using only the most common data modality. We
propose a new incomplete multimodal data integration approach that employs
transformers and generative adversarial networks to effectively exploit
auxiliary modalities available during training in order to improve the
performance of a unimodal model at inference. We apply our new method to
predict cognitive degeneration and disease outcomes using the multimodal
imaging genetic data from Alzheimer's Disease Neuroimaging Initiative (ADNI)
cohort. Experimental results demonstrate that our approach outperforms the
related machine learning and deep learning methods by a significant margin.
- Abstract（参考訳）: 様々な脳データソースの獲得の最近の進歩は、複雑な脳疾患の早期発見を支援するためにマルチモーダル脳データを統合する新しい機会を生み出した。
しかし、現在のデータ統合アプローチでは、通常、大規模な研究コホートでのみ利用可能であり、定期的な臨床実践で収集することを禁止しているため、必ずしも実現不可能な、完全なバイオメディカルデータモダリティが必要である。
特に脳疾患の研究において、神経画像データと遺伝子データの両方を含む研究コホートは存在するが、実際的な臨床診断のためには、神経画像のみに基づいて疾患の予測を行う必要がある。
その結果、トレーニング中に利用可能なすべてのデータ(異なるデータが補足情報を提供する)を使用できるが、最も一般的なデータモダリティのみを使用して推論を行う機械学習モデルの設計が望まれる。
本稿では,トランスフォーマーと生成型逆ネットワークを用いて,トレーニング中に利用可能な補助的モダリティを効果的に活用し,推論におけるユニモーダルモデルの性能を向上させるための,新しい不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)コホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
実験の結果,本手法は機械学習と深層学習の手法よりも有意差があることが判明した。
関連論文リスト
- Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - Building Flexible, Scalable, and Machine Learning-ready Multimodal
Oncology Datasets [17.774341783844026]
本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。
MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。
MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
論文 参考訳（メタデータ） (2023-09-30T15:44:39Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Multimodal Data Integration for Oncology in the Era of Deep Neural Networks: A Review [0.0]
多様なデータ型を統合することで、がんの診断と治療の精度と信頼性が向上する。
ディープニューラルネットワークは、洗練されたマルチモーダルデータ融合アプローチの開発を促進する。
グラフニューラルネットワーク(GNN)やトランスフォーマーといった最近のディープラーニングフレームワークは、マルチモーダル学習において顕著な成功を収めている。
論文 参考訳（メタデータ） (2023-03-11T17:52:03Z) - Self-supervised multimodal neuroimaging yields predictive
representations for a spectrum of Alzheimer's phenotypes [27.331511924585023]
この研究は、マルチモーダル・ニューロイメージングデータから複数の表現を学習するための、新しいマルチスケール協調フレームワークを提案する。
本稿では,情報誘導バイアスの一般的な分類法を提案する。
自己教師型モデルでは,事前トレーニング中にラベルにアクセスすることなく,障害関連脳領域とマルチモーダルリンクを明らかにする。
論文 参考訳（メタデータ） (2022-09-07T01:37:19Z) - DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression
for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。
本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文 参考訳（メタデータ） (2022-03-17T05:42:00Z) - Evaluation and Analysis of Different Aggregation and Hyperparameter
Selection Methods for Federated Brain Tumor Segmentation [2.294014185517203]
我々は分散学習手法であるフェデレート学習パラダイムに注目した。
研究は、連合学習が従来の中央訓練と競争力を発揮することを示した。
我々は、より高速な収束と優れた性能のための様々な戦略を探求し、強力な非IIDケースでも機能する。
論文 参考訳（メタデータ） (2022-02-16T07:49:04Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。