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
- ADAM-1: AI and Bioinformatics for Alzheimer's Detection and Microbiome-Clinical Data Integrations [4.426051635422496]
Alzheimer's Disease Analysis Model Generation 1 (ADAM) は、マルチモーダルデータの統合と解析を目的としたマルチエージェント・大規模言語モデル(LLM)フレームワークである。
ADAM-1は多様なデータソースから洞察を合成し、文献駆動のエビデンスを用いて知見を文脈化する。
論文 参考訳（メタデータ） (2025-01-14T18:56:33Z) - Multimodal Outer Arithmetic Block Dual Fusion of Whole Slide Images and Omics Data for Precision Oncology [6.418265127069878]
本稿では, 局所(パッチレベル)から大域(スライダーレベル)の相互作用の相補的な情報を取得するために, 早期・後期融合におけるオミック埋め込みの利用を提案する。
この二重融合戦略は、解釈可能性と分類性能を高め、臨床診断の可能性を強調している。
論文 参考訳（メタデータ） (2024-11-26T13:25:53Z) - 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) - Cross-Modal Causal Intervention for Medical Report Generation [109.83549148448469]
医療報告生成(MRG)は、コンピュータ支援診断と治療指導に不可欠である。
視覚的および言語的バイアスによって引き起こされる画像テキストデータ内の素早い相関のため、病変領域を確実に記述した正確なレポートを生成することは困難である。
本稿では,視覚分解モジュール (VDM) と言語分解モジュール (LDM) からなるMRGのための新しい視覚言語因果干渉 (VLCI) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-16T07:23:55Z) - Leveraging Pretrained Representations with Task-related Keywords for
Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。
事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。
本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文 参考訳（メタデータ） (2023-03-14T16:03:28Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-07-28T07:19:00Z) - Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction [30.99183477161096]
本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。
本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-07-21T08:08:05Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - 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) - Interpretable multimodal fusion networks reveal mechanisms of brain
cognition [26.954460880062506]
我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。
脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
論文 参考訳（メタデータ） (2020-06-16T18:52:50Z) - 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。