Fugu-MT 論文翻訳(概要): MRI-based and metabolomics-based age scores act synergetically for mortality prediction shown by multi-cohort federated learning

論文の概要: MRI-based and metabolomics-based age scores act synergetically for mortality prediction shown by multi-cohort federated learning

arxiv url: http://arxiv.org/abs/2409.01235v1
Date: Mon, 2 Sep 2024 13:11:37 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 06:47:21.036869
Title: MRI-based and metabolomics-based age scores act synergetically for mortality prediction shown by multi-cohort federated learning
Title（参考訳）: MRIおよびメタボロミクスに基づく年齢スコアは、多コホート・フェデレーション・ラーニングによって示される死亡予測に相乗的に作用する
Authors: Pedro Mateus, Swier Garst, Jing Yu, Davy Cats, Alexander G. J. Harms, Mahlet Birhanu, Marian Beekman, P. Eline Slagboom, Marcel Reinders, Jeroen van der Grond, Andre Dekker, Jacobus F. A. Jansen, Magdalena Beran, Miranda T. Schram, Pieter Jelle Visser, Justine Moonen, Mohsen Ghanbari, Gennady Roshchupkin, Dina Vojinovic, Inigo Bermejo, Hailiang Mei, Esther E. Bron,
Abstract要約: 脳MRI画像(BrainAge)による年齢スコアと代謝バイオマーカー(MetaboAge)による年齢スコアの関係について検討した。我々は3つのコホートでBrainAgeを推定するために、連合型ディープラーニングモデルを訓練した。その結果,BrainAgeとMetaboAgeの相関は小さかった。
参考スコア（独自算出の注目度）: 28.481897990424198
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Biological age scores are an emerging tool to characterize aging by estimating chronological age based on physiological biomarkers. Various scores have shown associations with aging-related outcomes. This study assessed the relation between an age score based on brain MRI images (BrainAge) and an age score based on metabolomic biomarkers (MetaboAge). We trained a federated deep learning model to estimate BrainAge in three cohorts. The federated BrainAge model yielded significantly lower error for age prediction across the cohorts than locally trained models. Harmonizing the age interval between cohorts further improved BrainAge accuracy. Subsequently, we compared BrainAge with MetaboAge using federated association and survival analyses. The results showed a small association between BrainAge and MetaboAge as well as a higher predictive value for the time to mortality of both scores combined than for the individual scores. Hence, our study suggests that both aging scores capture different aspects of the aging process.
Abstract（参考訳）: 生物学的年齢スコアは、生理的バイオマーカーに基づいて時系列を推定することにより、老化を特徴づける新しいツールである。様々なスコアが老化関連の結果と関連している。脳MRI画像(BrainAge)による年齢スコアとメタボミクスバイオマーカー(MetaboAge)による年齢スコアの関係について検討した。我々は3つのコホートでBrainAgeを推定するために、連合型ディープラーニングモデルを訓練した。フェデレートされたBrainAgeモデルでは,コホート全体の年齢予測誤差が局所訓練モデルよりも有意に低かった。コホート間の年齢間隔を調和させることにより、BrainAgeの精度が向上した。その後,連合と生存分析を用いてBrainAgeとMetaboAgeを比較した。その結果,BrainAgeとMetaboAgeの相関は小さかった。そこで本研究では,老化過程の異なる側面を捉えた老化スコアについて検討した。

関連論文リスト

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)
SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions [4.543154658281538]
脳年齢と時間年齢のギャップは、PAD(予測年齢差)と呼ばれ、神経変性の状況を調べるために利用されてきた。脳年齢はMRIと機械学習技術を用いて予測できる。我々は、脳年齢を予測するために設計された堅牢なディープラーニングモデル、Synthetic Brain Age(SynthBA)を紹介する。
論文参考訳（メタデータ） (2024-06-01T08:58:40Z)
Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
論文参考訳（メタデータ） (2024-03-02T16:13:06Z)
Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文参考訳（メタデータ） (2023-05-27T22:28:25Z)
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文参考訳（メタデータ） (2022-01-31T09:39:52Z)
Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文参考訳（メタデータ） (2021-08-11T18:08:09Z)
Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文参考訳（メタデータ） (2021-06-06T07:11:25Z)
Uncertainty-Based Biological Age Estimation of Brain MRI Scans [10.670209276046915]
3次元磁気共鳴画像(MRI)を用いた臓器特異的BA推定のための新しい枠組みを提案する。アルツハイマー病患者における予期したBAと予期される認知低下との相関性を示す。
論文参考訳（メタデータ） (2021-03-15T16:08:23Z)
Age-Net: An MRI-Based Iterative Framework for Brain Biological Age Estimation [18.503467872057424]
生物学的年齢(BA)の概念は、主に明確に定義された基準基準が欠如していることから理解するのが困難である。臓器特異的BA推定のための新しい画像ベースフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-22T19:04:02Z)
Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。