論文の概要: Multi-feature concatenation and multi-classifier stacking: an interpretable and generalizable machine learning method for MDD discrimination with rsfMRI

• arxiv url: http://arxiv.org/abs/2308.09360v1
• Date: Fri, 18 Aug 2023 07:40:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 14:06:13.144870
• Title: Multi-feature concatenation and multi-classifier stacking: an interpretable and generalizable machine learning method for MDD discrimination with rsfMRI
• Title（参考訳）: 多機能結合とマルチクラス化 : rsfmriを用いたmdd識別のための解釈可能・一般化型機械学習手法
• Authors: Yunsong Luo, Wenyu Chen, Ling Zhan, Jiang Qiu, Tao Jia
• Abstract要約: 機械学習アルゴリズムは、RSfMRIの豊富な情報を活用し、MDD患者を正常なコントロールから識別するために開発された。 本稿では、複数の特徴を連結し、複数の分類器を積み重ねることでMDD識別のための機械学習手法(MFMC)を提案する。 MFMCは96.9%のMDD識別精度を示し、既存の方法よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 6.920725855810074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Major depressive disorder is a serious and heterogeneous psychiatric disorder that needs accurate diagnosis. Resting-state functional MRI (rsfMRI), which captures multiple perspectives on brain structure, function, and connectivity, is increasingly applied in the diagnosis and pathological research of mental diseases. Different machine learning algorithms are then developed to exploit the rich information in rsfMRI and discriminate MDD patients from normal controls. Despite recent advances reported, the discrimination accuracy has room for further improvement. The generalizability and interpretability of the method are not sufficiently addressed either. Here, we propose a machine learning method (MFMC) for MDD discrimination by concatenating multiple features and stacking multiple classifiers. MFMC is tested on the REST-meta-MDD data set that contains 2428 subjects collected from 25 different sites. MFMC yields 96.9% MDD discrimination accuracy, demonstrating a significant improvement over existing methods. In addition, the generalizability of MFMC is validated by the good performance when the training and testing subjects are from independent sites. The use of XGBoost as the meta classifier allows us to probe the decision process of MFMC. We identify 13 feature values related to 9 brain regions including the posterior cingulate gyrus, superior frontal gyrus orbital part, and angular gyrus, which contribute most to the classification and also demonstrate significant differences at the group level. The use of these 13 feature values alone can reach 87% of MFMC's full performance when taking all feature values. These features may serve as clinically useful diagnostic and prognostic biomarkers for mental disorders in the future.
• Abstract（参考訳）: うつ病は重度で異質な精神疾患であり、正確な診断が必要である。 精神疾患の診断や病理研究において、脳の構造、機能、接続性に関する複数の視点を捉えた静止状態機能MRI (rsfMRI) がますます応用されている。 異なる機械学習アルゴリズムが開発され、RSfMRIの豊富な情報を活用し、MDD患者を正常なコントロールから識別する。 最近の進歩にもかかわらず、識別精度はさらなる改善の余地がある。 この手法の一般化可能性や解釈性も十分ではない。 本稿では、複数の特徴を連結し、複数の分類器を積み重ねることでMDD識別のための機械学習手法(MFMC)を提案する。 mfmcは25の異なるサイトから集められた2428の被験者を含むrest-meta-mddデータセット上でテストされる。 MFMCは96.9%のMDD識別精度を示し、既存の方法よりも大幅に改善されている。 さらに,MFMCの総合化性は,訓練対象と試験対象が独立したサイトである場合に,優れた性能で検証される。 メタ分類器としてXGBoostを使用することで、MFMCの決定過程を探索することができる。 本研究は, 後帯状回, 前頭回軌道上部, 角回を含む9つの脳領域に関連する13の特徴を同定し, 分類に最も寄与し, 群レベルでの有意な差異を示した。 これらの13の機能値だけで、すべての機能値を取る場合、MFMCの完全なパフォーマンスの87%に達することができる。 これらの特徴は、将来、精神疾患の診断および予後のバイオマーカーとして臨床的に有用である。

関連論文リスト

• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• MADE-for-ASD: A Multi-Atlas Deep Ensemble Network for Diagnosing Autism Spectrum Disorder [4.7377709803078325]
  本稿では,従来の診断手法と潜在的な自動化ソリューションのギャップを埋める。 我々は,脳の機能的磁気共鳴画像(fMRI)データの複数のアトラスを統合するマルチアトラスディープアンサンブルネットワーク,MADE-for-ASDを提案する。 提案手法は,ASD診断性能を向上させるための予測ワークフローに,人口統計情報を統合する。
  論文  参考訳（メタデータ） (2024-07-09T17:49:23Z)
• DenseNet and Support Vector Machine classifications of major depressive disorder using vertex-wise cortical features [2.29023553248714]
  大うつ病 (Major depressive disorder, MDD) は、世界中の数億の個人に影響を及ぼす複雑な精神疾患である。 ディープラーニングツールのニューロイメージングデータへの応用は、MDDの診断および予測バイオマーカーを提供する可能性がある。 MDD患者と健康管理 (HC) を線形機械学習による分節的大脳皮質の特徴に基づいて解離させる試みは, 精度が低いことが報告されている。
  論文  参考訳（メタデータ） (2023-11-18T11:46:25Z)
• 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)
• Behavior Score-Embedded Brain Encoder Network for Improved Classification of Alzheimer Disease Using Resting State fMRI [36.40726715739385]
  本稿では、日常的に管理される心理検査情報を、被験者の静止状態fMRIデータの符号化手順に統合する行動スコア埋め込みエンコーダネットワーク(BSEN)を提案する。 BSENは、MMSE(MiniMental State Examination)とCDR(Citical Dementia Rating)の行動スコアを併用した3次元畳み込み自己エンコーダ構造に基づく。 提案するBSENを用いた分類フレームワークは, 総合的認識精度59.44%(AD, MCI, Healthy Control)を達成し, 健康管理(HC)と健康管理(HC)の最も差別的な領域を抽出した。
  論文  参考訳（メタデータ） (2022-11-04T09:58:45Z)
• 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)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• 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)
• Group Feature Learning and Domain Adversarial Neural Network for aMCI Diagnosis System Based on EEG [25.029697750437094]
  軽度認知障害(mci)の診断はアルツハイマー病(ad)の予防に有効な手段であると考えられている 人間の要因の影響を排除し、より高い精度を得るには、ロボット診断システムを開発する必要があります。 本研究では、Amnestic MCI(aMCI)診断のためのグループ特徴領域逆ニューラルネットワーク(GF-DANN)を提案する。
  論文  参考訳（メタデータ） (2021-04-28T08:08:32Z)
• 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)
• Machine Learning Methods for Brain Network Classification: Application to Autism Diagnosis using Cortical Morphological Networks [0.0]
  我々はクラウドソーシングを利用して、自閉症スペクトラム障害(ASD)診断に応用した神経疾患診断のための機械学習パイプラインのプールを構築する。 第1位チームは70%の精度、72.5%の感度、67.5%の特異性を達成し、第2位チームはそれぞれ63.8%、62.5%、65%を達成した。
  論文  参考訳（メタデータ） (2020-04-28T06:23:29Z)

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。