論文の概要: Classification of Major Depressive Disorder Using Vertex-Wise Brain Sulcal Depth, Curvature, and Thickness with a Deep and a Shallow Learning Model

• arxiv url: http://arxiv.org/abs/2311.11046v2
• Date: Fri, 24 Jan 2025 13:44:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:54:12.895816
• Title: Classification of Major Depressive Disorder Using Vertex-Wise Brain Sulcal Depth, Curvature, and Thickness with a Deep and a Shallow Learning Model
• Title（参考訳）: 深部・浅部学習モデルを用いためまい脳深度, 曲率, 厚さを用いた大うつ病の分類
• Authors: Roberto Goya-Maldonado, Tracy Erwin-Grabner, Ling-Li Zeng, Christopher R. K. Ching, Andre Aleman, Alyssa R. Amod, Zeynep Basgoze, Francesco Benedetti, Bianca Besteher, Katharina Brosch, Robin Bülow, Romain Colle, Colm G. Connolly, Emmanuelle Corruble, Baptiste Couvy-Duchesne, Kathryn Cullen, Udo Dannlowski, Christopher G. Davey, Annemiek Dols, Jan Ernsting, Jennifer W. Evans, Lukas Fisch, Paola Fuentes-Claramonte, Ali Saffet Gonul, Ian H. Gotlib, Hans J. Grabe, Nynke A. Groenewold, Dominik Grotegerd, Tim Hahn, J. Paul Hamilton, Laura K. M. Han, Ben J. Harrison, Tiffany C. Ho, Neda Jahanshad, Alec J. Jamieson, Andriana Karuk, Tilo Kircher, Bonnie Klimes-Dougan, Sheri-Michelle Koopowitz, Thomas Lancaster, Ramona Leenings, Meng Li, David E. J. Linden, Frank P. MacMaster, David M. A. Mehler, Susanne Meinert, Elisa Melloni, Bryon A. Mueller, Benson Mwangi, Igor Nenadić, Amar Ojha, Yasumasa Okamoto, Mardien L. Oudega, Brenda W. J. H. Penninx, Sara Poletti, Edith Pomarol-Clotet, Maria J. Portella, Elena Pozzi, Joaquim Radua, Elena Rodríguez-Cano, Matthew D. Sacchet, Raymond Salvador, Anouk Schrantee, Kang Sim, Jair C. Soares, Aleix Solanes, Dan J. Stein, Frederike Stein, Aleks Stolicyn, Sophia I. Thomopoulos, Yara J. Toenders, Aslihan Uyar-Demir, Eduard Vieta, Yolanda Vives-Gilabert, Henry Völzke, Martin Walter, Heather C. Whalley, Sarah Whittle, Nils Winter, Katharina Wittfeld, Margaret J. Wright, Mon-Ju Wu, Tony T. Yang, Carlos Zarate, Dick J. Veltman, Lianne Schmaal, Paul M. Thompson,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3377726166601693
• License:
• Abstract: Major depressive disorder (MDD) is a complex psychiatric disorder that affects the lives of hundreds of millions of individuals around the globe. Even today, researchers debate if morphological alterations in the brain are linked to MDD, likely due to the heterogeneity of this disorder. The application of deep learning tools to neuroimaging data, capable of capturing complex non-linear patterns, has the potential to provide diagnostic and predictive biomarkers for MDD. However, previous attempts to demarcate MDD patients and healthy controls (HC) based on segmented cortical features via linear machine learning approaches have reported low accuracies. Here, we used globally representative data from the ENIGMA-MDD working group containing 7,012 participants from 30 sites (N=2,772 MDD and N=4,240 HC), which allows a comprehensive analysis with generalizable results. Based on the hypothesis that integration of vertex-wise cortical features can improve classification performance, we evaluated the classification of a DenseNet and a Support Vector Machine (SVM), with the expectation that the former would outperform the latter. We found that both classifiers exhibited close to chance performance (balanced accuracy DenseNet: 51%; SVM: 53%), when estimated on unseen sites. Slightly higher classification performance (balanced accuracy DenseNet: 58%; SVM: 55%) was found when the cross-validation folds contained subjects from all sites, indicating site effect. In conclusion, the integration of vertex-wise morphometric features and the use of the non-linear classifier did not lead to the differentiability between MDD and HC. Our results support the notion that MDD classification on this combination of such features and classifiers is unfeasible. Perhaps more sophisticated integration of multimodal information may lead to a higher performance in this diagnostic task.
• Abstract（参考訳）: 大うつ病 (Major depressive disorder, MDD) は、世界中の数億人の人の生活に影響を及ぼす複雑な精神疾患である。 現在でも研究者は、脳の形態変化がMDDと関連しているかどうかを議論している。 複雑な非線形パターンを捉えることができるニューロイメージングデータへのディープラーニングツールの応用は、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。 しかし、従来のMDD患者と、線形機械学習アプローチによる分節的皮質特徴に基づく健康管理(HC)の解離の試みでは、精度が低いことが報告されている。 そこで本研究では,30のサイト(N=2,772 MDD,N=4,240 HC)から7,012人の参加者を含むENIGMA-MDDワーキンググループからの世界的代表データを用いた。 DenseNet と Support Vector Machine (SVM) の分類を, 前者が後者より優れていると期待して評価した。 DenseNet:51%, SVM:53%)と推定すると, 両分類器の精度がほぼ一致していることがわかった。 整合精度DenseNet:58%, SVM:55%) は, クロスバリデーション・フォールドが全部位の被検体を含む場合に検出され, サイト効果が示唆された。 結論として, 頂点方向の形状特徴の統合と非線形分類器の使用はMDDとHCの相違に繋がらなかった。 この特徴と分類器の組み合わせによるMDD分類は不可能であるという考えを支持する。 おそらく、より洗練されたマルチモーダル情報の統合は、この診断タスクにおいてより高いパフォーマンスをもたらす可能性がある。

関連論文リスト

• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
  アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。 本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-08-20T13:11:43Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Multi-feature concatenation and multi-classifier stacking: an interpretable and generalizable machine learning method for MDD discrimination with rsfMRI [6.920725855810074]
  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。
  論文  参考訳（メタデータ） (2023-08-18T07:40:56Z)
• OpenNDD: Open Set Recognition for Neurodevelopmental Disorders Detection [16.36536069562694]
  ASD支援診断のための新しいオープンセット認識フレームワーク(OpenNDD)を設計する。 NDDの強い類似性を考えると、Min-MaxスケーリングとMMS(Standardization)を組み合わせた共同スケーリング法を提案する。 OpenNDDは77.38%、AUROCは75.53%、オープンセットの分類率は59.43%という有望な性能を実現しています。
  論文  参考訳（メタデータ） (2023-06-28T09:28:33Z)
• Detecting the Severity of Major Depressive Disorder from Speech: A Novel HARD-Training Methodology [8.832823703632073]
  メジャー・うつ病(Major Depressive Disorder、MDD)は、社会経済的コストの高い世界的メンタルヘルス問題である。 したがって、MDDの予測と自動検出は社会に大きな影響を与える可能性がある。 RADAR-MDDは、音声やその他のデジタルバイオマーカーを収集する観察コホート研究である。
  論文  参考訳（メタデータ） (2022-06-02T13:26:03Z)
• HSADML: Hyper-Sphere Angular Deep Metric based Learning for Brain Tumor Classification [3.319978067919918]
  HSADMLは、SphereFace Lossを使用したディープメトリックラーニング(DML)を可能にする新しいフレームワークである。 k-NN(k=1)を用いた最先端98.69%のアキュラシ検証
  論文  参考訳（メタデータ） (2022-01-28T17:37:15Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• 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)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)

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。