論文の概要: Functional Brain Network Identification in Opioid Use Disorder Using Machine Learning Analysis of Resting-State fMRI BOLD Signals

• arxiv url: http://arxiv.org/abs/2410.19147v1
• Date: Thu, 24 Oct 2024 20:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:33:37.123189
• Title: Functional Brain Network Identification in Opioid Use Disorder Using Machine Learning Analysis of Resting-State fMRI BOLD Signals
• Title（参考訳）: 静止状態fMRI BOLD信号の機械学習解析を用いたオピオイド使用障害における機能的脳ネットワーク同定
• Authors: Ahmed Temtam, Megan A. Witherow, Liangsuo Ma, M. Shibly Sadique, F. Gerard Moeller, Khan M. Iftekharuddin,
• Abstract要約: 本研究では、複数の時間点を表すrs-fMRI BOLD特徴のデータ駆動機械学習(ML)モデルを用いて、OUD被験者と健康制御(HC)を区別する関心領域を特定する。 次に,Boruta ML アルゴリズムを用いて OUD と OUD を区別する統計学的に重要な BOLD の特徴を同定し,DMN を OUD の最も有意な機能的ネットワークとして同定する。
• 参考スコア（独自算出の注目度）: 0.5870004969741518
• License:
• Abstract: Understanding the neurobiology of opioid use disorder (OUD) using resting-state functional magnetic resonance imaging (rs-fMRI) may help inform treatment strategies to improve patient outcomes. Recent literature suggests temporal characteristics of rs-fMRI blood oxygenation level-dependent (BOLD) signals may offer complementary information to functional connectivity analysis. However, existing studies of OUD analyze BOLD signals using measures computed across all time points. This study, for the first time in the literature, employs data-driven machine learning (ML) modeling of rs-fMRI BOLD features representing multiple time points to identify region(s) of interest that differentiate OUD subjects from healthy controls (HC). Following the triple network model, we obtain rs-fMRI BOLD features from the default mode network (DMN), salience network (SN), and executive control network (ECN) for 31 OUD and 45 HC subjects. Then, we use the Boruta ML algorithm to identify statistically significant BOLD features that differentiate OUD from HC, identifying the DMN as the most salient functional network for OUD. Furthermore, we conduct brain activity mapping, showing heightened neural activity within the DMN for OUD. We perform 5-fold cross-validation classification (OUD vs. HC) experiments to study the discriminative power of functional network features with and without fusing demographic features. The DMN shows the most discriminative power, achieving mean AUC and F1 scores of 80.91% and 73.97%, respectively, when fusing BOLD and demographic features. Follow-up Boruta analysis using BOLD features extracted from the medial prefrontal cortex, posterior cingulate cortex, and left and right temporoparietal junctions reveals significant features for all four functional hubs within the DMN.
• Abstract（参考訳）: 機能的MRI(s-fMRI)を用いたオピオイド使用障害(OUD)の神経生物学の理解は、患者の予後を改善するための治療戦略に役立てることができる。 近年の文献では、rs-fMRI血液酸素濃度依存性(BOLD)シグナルの時間的特性が機能的接続解析に相補的な情報をもたらすことが示唆されている。 しかし、OUDの既存の研究は、すべての時点にわたって計算された測度を用いてBOLD信号を解析している。 本研究は文献ではじめて、複数の時間点を表すrs-fMRI BOLD特徴をデータ駆動機械学習(ML)モデルを用いて、OUD被験者と健康管理(HC)を区別する関心領域を特定する。 トリプルネットワークモデルに従えば、デフォルトモードネットワーク(DMN)、サリエンスネットワーク(SN)、エグゼクティブコントロールネットワーク(ECN)から、31 OUDおよび45 HCの被験者に対してrs-fMRI BOLD特徴を得ることができる。 次に,Boruta ML アルゴリズムを用いて OUD と OUD を区別する統計学的に重要な BOLD の特徴を同定し,DMN を OUD の最も有意な機能的ネットワークとして同定する。 さらに,脳活動のマッピングを行い,OUDのDMN内での高次神経活動を示す。 我々は5倍のクロスバリデーション分類(OUD vs. HC)実験を行い,機能的ネットワーク特徴の識別能力について,人口統計学的特徴を損なうことなく検討した。 DMNは最も差別的な力を示し、平均AUCとF1のスコアはそれぞれ80.91%と73.97%である。 前頭前皮質,後帯状皮質,左右側頭蓋接合部から抽出したBOLD特徴を用いたボルタ追跡では,DMN内の4つの機能ハブに有意な特徴が認められた。

関連論文リスト

• Diagnosis and Pathogenic Analysis of Autism Spectrum Disorder Using Fused Brain Connection Graph [14.00990852115585]
  マルチモーダル磁気共鳴画像(MRI)データを用いた自閉症スペクトラム障害(ASD)の診断モデルを提案する。 提案手法はDTIと機能MRIの脳接続データを統合し,融合グラフ分類にグラフニューラルネットワーク(GNN)を用いる。 両モード融合脳グラフ上で,ネットワークノードの中央性,計算度,部分グラフ,固有ベクトル中心性を解析し,ASDに関連付けられた病理領域を同定する。
  論文  参考訳（メタデータ） (2024-09-22T01:23:46Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Fusing Structural and Functional Connectivities using Disentangled VAE for Detecting MCI [9.916963496386089]
  階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。 公的なアルツハイマー病神経画像イニシアチブデータベース上で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-06-16T05:22:25Z)
• Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
  我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
  論文  参考訳（メタデータ） (2023-06-15T16:22:57Z)
• 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)
• New Interpretable Patterns and Discriminative Features from Brain Functional Network Connectivity Using Dictionary Learning [21.676573007839544]
  ICAは、健康管理(HC)と統合失調症(Sz)などの様々な精神疾患患者とを区別できるパターンを識別できる 辞書学習(DL)は、空間性を用いて学習可能な基礎信号を用いて、データ中の隠れた情報の発見を可能にする。 本稿では,直接解釈可能なパターンの同定にICAとDLを活用し,HC群とSz群を識別する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-10T19:49:16Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
  BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。 St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
  論文  参考訳（メタデータ） (2020-03-24T01:56:50Z)

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。