論文の概要: Clustering Alzheimer's Disease Subtypes via Similarity Learning and Graph Diffusion
- arxiv url: http://arxiv.org/abs/2410.03937v1
- Date: Fri, 4 Oct 2024 21:38:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 15:21:16.067788
- Title: Clustering Alzheimer's Disease Subtypes via Similarity Learning and Graph Diffusion
- Title（参考訳）: 類似学習とグラフ拡散によるアルツハイマー病サブタイプのクラスタリング
- Authors: Tianyi Wei, Shu Yang, Davoud Ataee Tarzanagh, Jingxuan Bao, Jia Xu, Patryk Orzechowski, Joost B. Wagenaar, Qi Long, Li Shen,
- Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、世界中の何百万人もの人に影響を及ぼす複雑な神経変性疾患である。
本研究の目的は,臨床像や病態を特徴とするADのサブタイプを同定することである。
- 参考スコア（独自算出の注目度）: 14.536841566365048
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Alzheimer's disease (AD) is a complex neurodegenerative disorder that affects millions of people worldwide. Due to the heterogeneous nature of AD, its diagnosis and treatment pose critical challenges. Consequently, there is a growing research interest in identifying homogeneous AD subtypes that can assist in addressing these challenges in recent years. In this study, we aim to identify subtypes of AD that represent distinctive clinical features and underlying pathology by utilizing unsupervised clustering with graph diffusion and similarity learning. We adopted SIMLR, a multi-kernel similarity learning framework, and graph diffusion to perform clustering on a group of 829 patients with AD and mild cognitive impairment (MCI, a prodromal stage of AD) based on their cortical thickness measurements extracted from magnetic resonance imaging (MRI) scans. Although the clustering approach we utilized has not been explored for the task of AD subtyping before, it demonstrated significantly better performance than several commonly used clustering methods. Specifically, we showed the power of graph diffusion in reducing the effects of noise in the subtype detection. Our results revealed five subtypes that differed remarkably in their biomarkers, cognitive status, and some other clinical features. To evaluate the resultant subtypes further, a genetic association study was carried out and successfully identified potential genetic underpinnings of different AD subtypes. Our source code is available at: https://github.com/PennShenLab/AD-SIMLR.
- Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は、世界中の何百万人もの人に影響を及ぼす複雑な神経変性疾患である。
ADの異種性のため、診断と治療は重大な課題となる。
その結果、近年、これらの課題に対処する手助けができる同種ADサブタイプを同定することに対する研究の関心が高まっている。
本研究では, グラフ拡散と類似性学習を用いた非教師なしクラスタリングを用いて, 臨床特徴や病態を特徴付けるADのサブタイプを同定することを目的とする。
われわれは多核類似性学習フレームワークであるSIMLRとグラフ拡散を用いて829名のAD患者と軽度認知障害(MCI)患者を対象に,MRI(MRI)画像から抽出した大脳皮質の厚さ測定に基づいてクラスタリングを行った。
私たちが利用したクラスタリング手法は、これまでADサブタイプ処理のタスクでは検討されていなかったが、いくつかの一般的なクラスタリング手法よりもはるかに優れた性能を示した。
具体的には,サブタイプ検出におけるノイズの影響を低減するために,グラフ拡散のパワーを示した。
以上の結果より, バイオマーカー, 認知状態, その他の臨床的特徴に有意差が認められた。
得られたサブタイプを更に評価するために、遺伝子関連研究を行い、異なるADサブタイプの潜在的な遺伝的アンダーピンを同定した。
私たちのソースコードは、https://github.com/PennShenLab/AD-SIMLR.comで公開されています。
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) - An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
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。
論文 参考訳（メタデータ） (2024-06-19T07:31:47Z) - Graph Theory and GNNs to Unravel the Topographical Organization of Brain Lesions in Variants of Alzheimer's Disease Progression [0.0]
我々は,アルツハイマー病(AD)神経病理の変動を評価するためのグラフベースの枠組みを提案し,評価した。
我々のフレームワークは、古典的(cAD)および急激な(rpAD)進行形式に焦点を当てている。
結果は,各AD変異体に特有の神経病理学的ネットワーク構造が示唆された。
論文 参考訳（メタデータ） (2024-03-01T16:16:51Z) - Multimodal Identification of Alzheimer's Disease: A Review [4.6358128931887705]
アルツハイマー病は認知障害と記憶喪失を特徴とする進行性神経疾患である。
近年、多くのチームがADの早期分類研究にコンピュータ支援診断技術を適用している。
論文 参考訳（メタデータ） (2023-10-06T12:48:15Z) - 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) - 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) - Multi-class versus One-class classifier in spontaneous speech analysis
oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。
外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文 参考訳（メタデータ） (2022-03-21T09:57:20Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain
Diseases [3.955454029331185]
マルチスケールクラスタリングを活用することにより,病気の多様性を明らかにする新しい手法MAGICを提案する。
シミュレーションした異種神経解剖学的データを用いてMAGICを検証するとともに、アルツハイマー病(AD)の異種性を探究して臨床応用の可能性を示す。
以上の結果より,大脳皮質大萎縮と大脳皮質大萎縮の2つの亜型は,海馬の微細萎縮と大脳皮質大萎縮の2つからなることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-01T23:42:37Z) - 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。