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

• arxiv url: http://arxiv.org/abs/2406.13292v2
• Date: Thu, 14 Nov 2024 10:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:21:38.661853
• 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。 構造的MRIと機能的MRIを利用して,病原性GMと機能的ネットワーク接続の変化を調査した。 本稿では,Cycle GANを用いた生成モジュールを用いたDLに基づく新しい分類手法を提案する。
• 参考スコア（独自算出の注目度）: 13.213387075528017
• License:
• Abstract: Alzheimer's disease (AD) is the most prevalent form of dementia with a progressive decline in cognitive abilities. The AD continuum encompasses a prodromal stage known as MCI, where patients may either progress to AD (MCIc) or remain stable (MCInc). Understanding AD mechanisms requires complementary analyses relying on different data sources, leading to the development of multimodal DL models. We leveraged structural and functional MRI to investigate the disease-induced GM and functional network connectivity changes. Moreover, considering AD's strong genetic component, we introduced SNPs as a third channel. Missing one or more modalities is a typical concern of multimodal methods. We hence propose a novel DL-based classification framework where a generative module employing Cycle GAN was adopted for imputing missing data in the latent space. Additionally, we adopted an XAI method, Integrated Gradients, to extract features' relevance, enhancing our understanding of the learned representations. Two tasks were addressed: AD detection and MCI conversion prediction. Experimental results showed that our framework reached the SOA in the classification of CN/AD with an average test accuracy of $0.926\pm0.02$. For the MCInc/MCIc task, we achieved an average prediction accuracy of $0.711\pm0.01$ using the pre-trained model for CN and AD. The interpretability analysis revealed that significant GM modulations led the classification performance in cortical and subcortical brain areas well known for their association with AD. Impairments in sensory-motor and visual functional network connectivity along AD, as well as mutations in SNPs defining biological processes linked to endocytosis, amyloid-beta, and cholesterol, were identified as contributors to the results. Overall, our integrative DL model 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と呼ばれるプロドロマルステージを含み、患者はAD(MCIc)またはMCInc(MCInc)に進行する。 ADメカニズムを理解するには、異なるデータソースに依存する相補的な解析が必要であり、マルチモーダルDLモデルの開発につながる。 構造的MRIと機能的MRIを用いて,病原性GMと機能的ネットワーク接続の変化を調査した。 また,ADの強い遺伝的成分を考慮し,SNPsを第3のチャネルとして導入した。 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 GAN を用いた生成モジュールを,潜在空間における欠落データを計算するために採用した新しいDLベース分類フレームワークを提案する。 さらに,特徴の関連性を抽出し,学習した表現の理解を深めるため,XAI法である統合勾配法を採用した。 AD検出とMCI変換予測という2つの課題に対処した。 実験の結果、我々のフレームワークはCN/ADの分類において平均テスト精度0.926\pm0.02$でSOAに到達した。 MCInc/MCIcタスクでは,CNとADの事前学習モデルを用いて,平均予測精度0.711\pm0.01$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いて,重要なGM調節が,ADとの関連でよく知られた分類性能を導いたことが明らかとなった。 ADに沿った感覚運動と視覚機能ネットワーク接続の障害、および、エンドサイトーシス、アミロイドベータ、コレステロールに関連する生物学的プロセスを定義するSNPの変異が、結果の寄与要因として同定された。 総じて、我々の統合型DLモデルは、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)
• 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)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。