論文の概要: An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease

• arxiv url: http://arxiv.org/abs/2406.13292v1
• Date: Wed, 19 Jun 2024 07:31:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 22:49:46.541743
• Title: An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease
• Title（参考訳）: アルツハイマー病のデコードのための解釈可能な生成型マルチモーダル・ニューロイメージング・ゲノミクスの枠組み
• Authors: Giorgio Dolci, Federica Cruciani, Md Abdur Rahaman, Anees Abrol, Jiayu Chen, Zening Fu, Ilaria Boscolo Galazzo, Gloria Menegaz, Vince D. Calhoun,
• Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は認知能力の低下が進行する認知症である。 本研究では, 構造的, 機能的MRIを用いて, 病原性灰白質と機能的ネットワーク接続性の変化について検討した。 本稿では,Cycle GANsを用いた生成モジュールを,潜伏空間内の欠落データをインプットするために採用した,新しいディープラーニングに基づく分類フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.213387075528017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Alzheimer's disease (AD) is the most prevalent form of dementia with a progressive decline in cognitive abilities. The AD continuum encompasses a prodormal stage known as Mild Cognitive Impairment (MCI), where patients may either progress to AD or remain stable. In this study, we leveraged structural and functional MRI to investigate the disease-induced grey matter and functional network connectivity changes. Moreover, considering AD's strong genetic component, we introduce SNPs as a third channel. Given such diverse inputs, missing one or more modalities is a typical concern of multimodal methods. We hence propose a novel deep learning-based classification framework where generative module employing Cycle GANs was adopted to impute missing data within the latent space. Additionally, we adopted an Explainable AI method, Integrated Gradients, to extract input features relevance, enhancing our understanding of the learned representations. Two critical tasks were addressed: AD detection and MCI conversion prediction. Experimental results showed that our model was able to reach the SOA in the classification of CN/AD reaching an average test accuracy of $0.926\pm0.02$. For the MCI task, we achieved an average prediction accuracy of $0.711\pm0.01$ using the pre-trained model for CN/AD. The interpretability analysis revealed significant grey matter modulations in cortical and subcortical brain areas well known for their association with AD. Moreover, impairments in sensory-motor and visual resting state network connectivity along the disease continuum, as well as mutations in SNPs defining biological processes linked to amyloid-beta and cholesterol formation clearance and regulation, were identified as contributors to the achieved performance. Overall, our integrative deep learning approach shows promise for AD detection and MCI prediction, while shading light on important biological insights.
• Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は認知能力の低下が進行する認知症である。 AD連続体は、MCI(Mild Cognitive Impairment)と呼ばれるプロドーマルステージを包含しており、患者はADに進むか、安定した状態を保つことができる。 本研究では, 構造的, 機能的MRIを用いて, 病原性灰白質と機能的ネットワーク接続性の変化について検討した。 さらに,ADの強い遺伝的成分を考慮すると,SNPを第3のチャネルとして導入する。 このような多様な入力を考えると、1つ以上のモダリティが欠落することは、マルチモーダルメソッドの典型的な関心事である。 そこで我々は,Cycle GANsを用いた生成モジュールを,潜在空間内の欠落データをインプットするために採用した,新しいディープラーニングに基づく分類フレームワークを提案する。 さらに、説明可能なAI手法であるIntegrated Gradientsを採用し、入力特徴の関連性を抽出し、学習した表現の理解を深めた。 AD検出とMCI変換予測という2つの重要な課題に対処した。 実験の結果、我々のモデルはCN/ADの分類において、平均テスト精度0.926\pm0.02$に達するSOAに到達することができた。 MCIタスクでは, CN/ADの事前学習モデルを用いて, 0.711\pm0.01$の平均予測精度を達成した。 解釈可能性分析の結果,大脳皮質および皮質下脳領域における灰白質の修飾は,ADとの関連でよく知られていた。 さらに,アミロイドベータとコレステロール生成のクリアランスおよび調節に関連する生物学的過程を規定するSNPの変異は,疾患連続体に沿った感覚運動と視覚的静止状態のネットワーク接続の障害として同定された。 総合的に、我々の統合的ディープラーニングアプローチは、重要な生物学的洞察に光を当てながら、AD検出とMCI予測を約束することを示している。

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)
• MLC-GCN: Multi-Level Generated Connectome Based GCN for AD Analysis [14.541273450756128]
  アルツハイマー病(英: Alzheimers Disease、AD)は、現在発症可能な神経変性疾患である。 アルツハイマー病(英語: Alzheimer's Disease、AD)は、現在発症可能な神経変性疾患である。
  論文  参考訳（メタデータ） (2024-08-06T14:18:36Z)
• GFE-Mamba: Mamba-based AD Multi-modal Progression Assessment via Generative Feature Extraction from MCI [5.355943545567233]
  アルツハイマー病(英語: Alzheimer's Disease、AD)は、軽度認知障害(MCI)から進行する可逆性神経変性疾患である。 生成特徴抽出(GFE)に基づく分類器GFE-Mambaを紹介する。 評価尺度、MRI、PETのデータを統合し、より深いマルチモーダル融合を可能にする。 GFE-MambaモデルがMCIからADへの変換予測に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-22T15:22:33Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Cross-Modality Translation with Generative Adversarial Networks to Unveil Alzheimer's Disease Biomarkers [13.798027995003908]
  クロスモダリティ変換のための生成的アプローチは、最近、ニューロイメージングにおいて大きな注目を集めている。 我々は、ペアデータが存在する場合の弱い監視を統合することで、不適切なデータ遷移においてデータを合成し、遷移を強化するために、サイクルGANを使用した。 その結果,本モデルでは,T1sは0.89 pm 0.003$,FNCsは0.71 pm 0.004$,SSIMは0.89 pm 0.003$,FNCは0.71 pm 0.004$であった。
  論文  参考訳（メタデータ） (2024-05-08T23:38:02Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Interpretable Weighted Siamese Network to Predict the Time to Onset of Alzheimer's Disease from MRI Images [5.10606091329134]
  患者がADステージにどの程度近づいたかを予測するために,脳画像分類を日常的な分類タスクとして再編成した。 我々はアルツハイマー病神経画像イニシアチブデータセットから進行性MCI患者を選定した。 我々は、MRI脳画像に基づいて、AD開始時刻を予測するために、シームズネットワークモデルを訓練する。
  論文  参考訳（メタデータ） (2023-04-14T12:36:43Z)
• 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)
• Morphological feature visualization of Alzheimer's disease via Multidirectional Perception GAN [40.50404819220093]
  アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。 MP-GANは既存の手法に比べて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-11-25T03:24:52Z)
• 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)
• 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。