論文の概要: Explainable Brain Age Prediction using coVariance Neural Networks
- arxiv url: http://arxiv.org/abs/2305.18370v3
- Date: Fri, 27 Oct 2023 17:21:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 17:52:11.691250
- Title: Explainable Brain Age Prediction using coVariance Neural Networks
- Title(参考訳): 共分散ニューラルネットワークを用いた説明可能な脳年齢予測
- Authors: Saurabh Sihag, Gonzalo Mateos, Corey McMillan, Alejandro Ribeiro
- Abstract要約: 大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
- 参考スコア(独自算出の注目度): 94.81523881951397
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In computational neuroscience, there has been an increased interest in
developing machine learning algorithms that leverage brain imaging data to
provide estimates of "brain age" for an individual. Importantly, the
discordance between brain age and chronological age (referred to as "brain age
gap") can capture accelerated aging due to adverse health conditions and
therefore, can reflect increased vulnerability towards neurological disease or
cognitive impairments. However, widespread adoption of brain age for clinical
decision support has been hindered due to lack of transparency and
methodological justifications in most existing brain age prediction algorithms.
In this paper, we leverage coVariance neural networks (VNN) to propose an
explanation-driven and anatomically interpretable framework for brain age
prediction using cortical thickness features. Specifically, our brain age
prediction framework extends beyond the coarse metric of brain age gap in
Alzheimer's disease (AD) and we make two important observations: (i) VNNs can
assign anatomical interpretability to elevated brain age gap in AD by
identifying contributing brain regions, (ii) the interpretability offered by
VNNs is contingent on their ability to exploit specific eigenvectors of the
anatomical covariance matrix. Together, these observations facilitate an
explainable and anatomically interpretable perspective to the task of brain age
prediction.
- Abstract(参考訳): 計算神経科学において、脳画像データを利用して個人に「脳年齢」の見積もりを提供する機械学習アルゴリズムの開発への関心が高まっている。
重要なことは、脳年齢と時間年齢の不一致(「脳年齢ギャップ」と呼ばれる)は、健康状態の悪化による老化の加速を捉え、神経疾患や認知障害に対する脆弱性の増加を反映することができる。
しかし、既存の脳年齢予測アルゴリズムの透明性の欠如と方法論的正当化のために、臨床的意思決定支援のための脳年齢の広範な採用が妨げられている。
本稿では,コバリアンスニューラルネットワーク(VNN)を用いて,皮質厚み特徴を用いた脳年齢予測のための説明駆動型,解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張され、2つの重要な観察を行います。
i)VNNは、貢献する脳領域を同定することにより、ADの脳年齢差の増大に解剖学的解釈性を割り当てることができる。
(ii)vnnsが提供する解釈性は、解剖学的共分散行列の特定の固有ベクトルを利用する能力に起因している。
これらの観察は共に、脳年齢予測のタスクに対する説明可能かつ解剖学的に解釈可能な視点を促進する。
関連論文リスト
- Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。
各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。
以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
論文 参考訳(メタデータ) (2025-01-02T19:37:09Z) - Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。
次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。
提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
論文 参考訳(メタデータ) (2024-03-02T16:13:06Z) - 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) - A voxel-level approach to brain age prediction: A method to assess regional brain aging [35.506876461932855]
ボクセルレベルの予測は、局所的な脳年齢推定を提供し、局所的な老化過程に関する詳細な洞察を与えることができる。
深層学習に基づくマルチタスクモデルは、T1強調磁気共鳴画像からボクセルレベルの脳年齢を予測するために提案される。
論文 参考訳(メタデータ) (2023-10-17T16:32:38Z) - Brain Structure Ages -- A new biomarker for multi-disease classification [0.0]
構造磁気共鳴画像を用いて脳構造年齢を推定することにより,大域的脳年齢の概念を拡張することを提案する。
脳構造年代は、各脳構造の正常な老化過程からの偏差を計算するために用いられる。
論文 参考訳(メタデータ) (2023-04-13T14:56:51Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳(メタデータ) (2022-10-28T18:58:34Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳(メタデータ) (2021-08-11T18:08:09Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳(メタデータ) (2020-08-29T11:50:37Z)
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。