論文の概要: Discovering robust biomarkers of neurological disorders from functional MRI using graph neural networks: A Review

• arxiv url: http://arxiv.org/abs/2405.00577v1
• Date: Wed, 1 May 2024 15:29:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 15:17:48.055896
• Title: Discovering robust biomarkers of neurological disorders from functional MRI using graph neural networks: A Review
• Title（参考訳）: グラフニューラルネットワークを用いた機能的MRIからの神経疾患のロバストバイオマーカーの発見
• Authors: Yi Hao Chan, Deepank Girish, Sukrit Gupta, Jing Xia, Chockalingam Kasi, Yinan He, Conghao Wang, Jagath C. Rajapakse,
• Abstract要約: 本稿では、障害予測タスクのためのfMRIデータセットに対して、GNNとモデル説明可能性技術がどのように適用されてきたかを概説する。 その結果、ほとんどの研究にはパフォーマンスモデルがあるが、これらの研究で強調された健全な特徴は、同じ障害の研究によって大きく異なることが判明した。 これらのバイオマーカーのロバスト性を決定するために,客観的評価指標に基づく新しい標準を確立することを提案する。
• 参考スコア（独自算出の注目度）: 4.799269666410891
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph neural networks (GNN) have emerged as a popular tool for modelling functional magnetic resonance imaging (fMRI) datasets. Many recent studies have reported significant improvements in disorder classification performance via more sophisticated GNN designs and highlighted salient features that could be potential biomarkers of the disorder. In this review, we provide an overview of how GNN and model explainability techniques have been applied on fMRI datasets for disorder prediction tasks, with a particular emphasis on the robustness of biomarkers produced for neurodegenerative diseases and neuropsychiatric disorders. We found that while most studies have performant models, salient features highlighted in these studies vary greatly across studies on the same disorder and little has been done to evaluate their robustness. To address these issues, we suggest establishing new standards that are based on objective evaluation metrics to determine the robustness of these potential biomarkers. We further highlight gaps in the existing literature and put together a prediction-attribution-evaluation framework that could set the foundations for future research on improving the robustness of potential biomarkers discovered via GNNs.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)データセットをモデル化するための一般的なツールとして、グラフニューラルネットワーク(GNN)が登場した。 近年の多くの研究は、より洗練されたGNN設計による障害分類性能の大幅な改善を報告し、障害の潜在的なバイオマーカーとなる可能性のある有能な特徴を強調している。 本稿では,神経変性疾患や神経精神疾患に対するバイオマーカーの堅牢性に着目し,GNNとモデル説明可能性技術が障害予測タスクのfMRIデータセットにどのように応用されたかについて概説する。 その結果、ほとんどの研究には性能モデルがあるものの、これらの研究で強調された健全な特徴は、同じ障害の研究で大きく異なり、その堅牢性を評価するためにはほとんど行われていないことがわかった。 これらの課題に対処するために,これらのバイオマーカーのロバスト性を決定するために,客観的評価指標に基づく新しい標準を確立することを提案する。 我々は、既存の文献のギャップをさらに強調し、GNNを通して発見された潜在的なバイオマーカーの堅牢性を改善するための将来の研究の基盤となる、予測・貢献・評価の枠組みを構築した。

関連論文リスト

• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Highly Accurate Disease Diagnosis and Highly Reproducible Biomarker Identification with PathFormer [32.26944736442376]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを分析するための主要なディープラーニングモデルである。 課題の根源は、生物学的シグナル伝達経路のユニークなグラフ構造である。 本稿では,バイオマーカーのランク付けと疾患診断の予測のために,シグナルネットワーク,優先知識,オミクスデータを統合した新しいGNNモデルアーキテクチャPathFormerを提案する。
  論文  参考訳（メタデータ） (2024-02-11T18:23:54Z)
• 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)
• 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)
• Autism spectrum disorder classification based on interpersonal neural synchrony: Can classification be improved by dyadic neural biomarkers using unsupervised graph representation learning? [0.0]
  ASDの中核的な側面の神経機構を明示的にマッピングする教師なしグラフ表現を導入する。 機能近赤外分光データによる最初の結果は、タスクに依存しない、解釈可能なグラフ表現の潜在的な予測能力を示している。
  論文  参考訳（メタデータ） (2022-08-17T07:10:57Z)
• Counterfactual Image Synthesis for Discovery of Personalized Predictive Image Markers [0.293168019422713]
  そこで本研究では,深部条件生成モデルを用いて,主観的疾患の進展に関連があるベースライン画像の局所像特徴を摂動させることが可能であることを示す。 本モデルでは, 臨床像を反映した画像特徴の変化により, 集団レベルでのMRI像の現況を予測し, 治療効果を検証した。
  論文  参考訳（メタデータ） (2022-08-03T18:58:45Z)
• Quantifying the Reproducibility of Graph Neural Networks using Multigraph Brain Data [0.0]
  グラフニューラルネットワーク(GNN)は、コンピュータビジョン、コンピュータ支援診断、および関連分野におけるいくつかの問題に取り組む際に、前例のない増殖を目撃している。 これまでの研究では、モデルの精度の向上に焦点が当てられていたが、GNNによって特定される最も差別的な特徴を定量化することは、臨床応用における信頼性に関する懸念を生じさせる無傷の問題である。 異なるモデル間で共有される最も差別的な特徴(バイオマーカー)によるGNNアセスメントのためのフレームワークを初めて提案する。我々のフレームワークの健全性を確認するため、トレーニング戦略やトレーニング戦略などのさまざまな要因を取り入れている。
  論文  参考訳（メタデータ） (2021-09-06T05:31:02Z)
• 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)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis [29.489129970039873]
  健全な領域を特定するための有望なアプローチは、グラフニューラルネットワーク(GNN)を使用することである。 本稿では,障害に関連する神経学的脳バイオマーカーを決定するために,新しい領域選択機構を備えた解釈可能なGNNフレームワークを提案する。 本稿では,バイオポイント自閉症スペクトラム障害 (ASD) fMRIデータセットにPR-GNNフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-29T04:19:36Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。