論文の概要: Copy Number Variation Informs fMRI-based Prediction of Autism Spectrum
Disorder
- arxiv url: http://arxiv.org/abs/2308.05122v1
- Date: Tue, 8 Aug 2023 19:53:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 14:47:20.655454
- Title: Copy Number Variation Informs fMRI-based Prediction of Autism Spectrum
Disorder
- Title（参考訳）: fMRIによる自閉症スペクトラム障害の予測
- Authors: Nicha C. Dvornek, Catherine Sullivan, James S. Duncan, Abha R. Gupta
- Abstract要約: 我々は、遺伝的、人口統計学的、神経画像データを組み合わせるためのより統合的なモデルを開発する。
表現型に対するジェノタイプの影響に触発されて,注意に基づくアプローチを提案する。
228ASDの性バランスデータセットを用いて,ASD分類と重度予測タスクに対する提案手法の評価を行った。
- 参考スコア（独自算出の注目度）: 9.544191399458954
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The multifactorial etiology of autism spectrum disorder (ASD) suggests that
its study would benefit greatly from multimodal approaches that combine data
from widely varying platforms, e.g., neuroimaging, genetics, and clinical
characterization. Prior neuroimaging-genetic analyses often apply naive feature
concatenation approaches in data-driven work or use the findings from one
modality to guide posthoc analysis of another, missing the opportunity to
analyze the paired multimodal data in a truly unified approach. In this paper,
we develop a more integrative model for combining genetic, demographic, and
neuroimaging data. Inspired by the influence of genotype on phenotype, we
propose using an attention-based approach where the genetic data guides
attention to neuroimaging features of importance for model prediction. The
genetic data is derived from copy number variation parameters, while the
neuroimaging data is from functional magnetic resonance imaging. We evaluate
the proposed approach on ASD classification and severity prediction tasks,
using a sex-balanced dataset of 228 ASD and typically developing subjects in a
10-fold cross-validation framework. We demonstrate that our attention-based
model combining genetic information, demographic data, and functional magnetic
resonance imaging results in superior prediction performance compared to other
multimodal approaches.
- Abstract（参考訳）: 自閉症スペクトラム障害(ASD)の多因子的エティロジーは、その研究が、神経画像、遺伝学、臨床評価など、幅広いプラットフォームからのデータを組み合わせたマルチモーダルアプローチから大きな恩恵を受けることを示唆している。
以前のニューロイメージング・ジェネティック分析は、しばしば、データ駆動型作業においてナイーブな特徴結合アプローチを適用したり、あるモダリティからの発見を別のモダリティ分析のガイドに用いたりし、真に統一されたアプローチでペア化されたマルチモーダルデータを解析する機会を欠いた。
本稿では、遺伝、人口統計、神経画像データを組み合わせたより統合的なモデルを開発する。
遺伝子型が表現型に与える影響に着想を得て,モデル予測において重要な神経画像の特徴に注意を向ける注意型アプローチを提案する。
遺伝データはコピー数の変化パラメータから、神経画像データは機能的磁気共鳴画像から得られる。
ASD分類と重大度予測タスクに対する提案手法を,228 ASDの性バランスデータセットを用いて評価し,典型的には10倍のクロスバリデーションフレームワークで被験者を育成する。
遺伝情報,人口統計データ,機能的磁気共鳴画像を組み合わせた注意に基づくモデルが,他のマルチモーダル手法と比較して優れた予測性能をもたらすことを実証した。
関連論文リスト
- GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease [9.69595196614787]
本稿では,多モード臨床データ解析のための新しいヘテロジニアスハイパーグラフ融合フレームワークであるGAMA-PDを提案する。
GAMMA-PDは、高次情報を保存することにより、画像と非画像データを"ハイパーネットワーク"(患者集団グラフ)に統合する。
パーキンソン病における運動障害症状の予測に有意な改善が認められた。
論文 参考訳（メタデータ） (2024-10-01T15:51:33Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - GestaltMML: Enhancing Rare Genetic Disease Diagnosis through Multimodal Machine Learning Combining Facial Images and Clinical Texts [8.805728428427457]
本稿では,Transformerアーキテクチャのみに基づくマルチモーダル機械学習(MML)アプローチを提案する。
顔画像、人口統計情報(年齢、性別、民族)、臨床メモを統合して予測精度を向上させる。
論文 参考訳（メタデータ） (2023-12-23T18:40:25Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
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。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳（メタデータ） (2023-01-07T18:36:44Z) - Pathology Steered Stratification Network for Subtype Identification in
Alzheimer's Disease [7.594681424335177]
アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。
本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
論文 参考訳（メタデータ） (2022-10-12T02:52:00Z) - Machine Learning Based Multimodal Neuroimaging Genomics Dementia Score
for Predicting Future Conversion to Alzheimer's Disease [2.914776804701307]
画像/遺伝子型に基づくDATスコアを作成した。
DATスコアの0.5しきい値を用いて,将来,被験者がDATを発達させるか否かを予測した。
論文 参考訳（メタデータ） (2022-03-11T01:35:30Z) - 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) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳（メタデータ） (2021-01-20T20:53:07Z) - 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)
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。