論文の概要: LEAD: Large Foundation Model for EEG-Based Alzheimer's Disease Detection

• arxiv url: http://arxiv.org/abs/2502.01678v3
• Date: Mon, 29 Sep 2025 08:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 17:47:08.804271
• Title: LEAD: Large Foundation Model for EEG-Based Alzheimer's Disease Detection
• Title（参考訳）: LEAD:脳波によるアルツハイマー病検出のための大規模基礎モデル
• Authors: Yihe Wang, Nan Huang, Nadia Mammone, Marco Cecchi, Xiang Zhang,
• Abstract要約: 認知症における脳波解析のための最初の大規模基礎モデルであるLEADを提案する。 私たちは、12のデータセット(AD関連3つ、非AD9つ)で事前トレーニングを行い、4つのADデータセットで微調整/テストを行いました。 10基のベースラインと比較して、LEADは一貫して被写体レベルの検出性能が優れている。
• 参考スコア（独自算出の注目度）: 9.286594823355363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) provides a non-invasive, highly accessible, and cost-effective approach for detecting Alzheimer's disease (AD). However, existing methods, whether based on handcrafted feature engineering or standard deep learning, face two major challenges: 1) the lack of large-scale EEG-AD datasets for robust representation learning, and 2) the absence of a dedicated deep learning pipeline for subject-level detection, which is more clinically meaningful than the commonly used sample-level detection. To address these gaps, we have curated the world's largest EEG-AD corpus to date, comprising 2,255 subjects. Leveraging this unique data corpus, we propose LEAD, the first large-scale foundation model for EEG analysis in dementia. Our approach provides an innovative framework for subject-level AD detection, including: 1) a comprehensive preprocessing pipeline such as artifact removal, resampling, and filtering, and a newly proposed multi-scale segmentation strategy, 2) a subject-regularized spatio-temporal transformer trained with a novel subject-level cross-entropy loss and an indices group-shuffling algorithm, and 3) AD-guided contrastive pre-training. We pre-train on 12 datasets (3 AD-related and 9 non-AD) and fine-tune/test on 4 AD datasets. Compared with 10 baselines, LEAD consistently obtains superior subject-level detection performance under the challenging subject-independent cross-validation protocol. On the benchmark ADFTD dataset, our model achieves an impressive subject-level Sensitivity of 90.91% under the leave-one-subject-out (LOSO) setting. These results strongly validate the effectiveness of our method for real-world EEG-based AD detection. Source code: https://github.com/DL4mHealth/LEAD
• Abstract（参考訳）: 脳波検査(EEG)は、アルツハイマー病(AD)の検出に非侵襲的で、アクセスしやすく、費用対効果の高いアプローチを提供する。 しかし、手作りのフィーチャーエンジニアリングや標準的なディープラーニングをベースとした既存の手法は、次の2つの大きな課題に直面している。 1)ロバスト表現学習のための大規模脳波-ADデータセットの欠如、及び 2) 被験者レベルの検出に専用のディープラーニングパイプラインが存在しないことは, 一般的に使用される試料レベルの検出よりも臨床的に有意である。 これらのギャップに対処するため、これまでに2,255人の被験者からなる世界最大のEEG-ADコーパスをキュレートした。 このユニークなデータコーパスを活用することで、認知症における脳波分析のための最初の大規模基盤モデルであるLEADを提案する。 我々のアプローチは、以下を含む主観レベルのAD検出のための革新的なフレームワークを提供する。 1) アーティファクト除去,再サンプリング,フィルタリングなどの包括的前処理パイプラインと,新たに提案されたマルチスケールセグメンテーション戦略。 2 新しい被写体レベルのクロスエントロピー損失とインデックス群シャッフルアルゴリズムを訓練した被写体正規化時空間変圧器 3)AD-guided contrastive pre-training。 私たちは、12のデータセット(AD関連3つ、非AD9つ)で事前トレーニングを行い、4つのADデータセットで微調整/テストを行いました。 10基のベースラインと比較して、LEADは、挑戦的対象非依存のクロスバリデーションプロトコルの下で、常に優れた対象レベルの検出性能を得る。 ベンチマークADFTDデータセットでは,LOSO(Left-one-subject-out)設定下において,90.91%の印象的な被写体レベルの感度が得られた。 これらの結果は,実世界脳波を用いたAD検出における本手法の有効性を強く検証した。 ソースコード:https://github.com/DL4mHealth/LEAD

関連論文リスト

• BioSerenity-E1: a self-supervised EEG model for medical applications [0.0]
  BioSerenity-E1は臨床脳波治療のための自己監督型基礎モデルの1つである。 スペクトルトークン化とマスク付き予測を組み合わせることで、関連する診断タスク間で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-03-13T13:42:46Z)
• ADformer: A Multi-Granularity Transformer for EEG-Based Alzheimer's Disease Assessment [42.72554952799386]
  本稿では、時間的・空間的特徴を捉えて効果的な脳波表現を学習するための新しい多粒度変換器Adformerを提案する。 被験者依存,主観非依存,離脱対象外を含む5つのデータセットを対象に,合計525人の被験者を対象に実験を行った。 以上の結果から,ADformerは既存の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-17T14:10:41Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion with Jacobian Maps [1.5501208213584152]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。 本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。 脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
  論文  参考訳（メタデータ） (2023-10-25T19:02:57Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• A Hybrid Deep Spatio-Temporal Attention-Based Model for Parkinson's Disease Diagnosis Using Resting State EEG Signals [8.526741765074677]
  本研究では,脳波信号を用いたパーキンソン病(PD)の深層学習モデルを提案する。 このモデルは、畳み込みニューラルネットワーク(CNN)、双方向ゲートリカレントユニット(Bi-GRU)、アテンションメカニズムからなるハイブリッドモデルを用いて設計されている。 その結果,提案モデルでは,トレーニングとホールドアウトデータセットの両方でPDを高精度に診断できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-14T20:06:19Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。