論文の概要: PHGNN: A Novel Prompted Hypergraph Neural Network to Diagnose Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2503.14577v1
• Date: Tue, 18 Mar 2025 16:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:25:22.005046
• Title: PHGNN: A Novel Prompted Hypergraph Neural Network to Diagnose Alzheimer's Disease
• Title（参考訳）: PHGNN:アルツハイマー病を診断するための新しいプロンプトハイパーグラフニューラルネットワーク
• Authors: Chenyu Liu, Luca Rossi,
• Abstract要約: 本稿では,ハイパーグラフに基づく学習と即時学習を統合した新しいPmpted Hypergraph Neural Network (PHGNN) フレームワークを提案する。 本モデルは,ADNIデータセットにおける広範囲な実験により検証され,AD診断とMCI変換予測の両方においてSOTA法より優れていた。
• 参考スコア（独自算出の注目度）: 2.1496312331703935
• License:
• Abstract: The accurate diagnosis of Alzheimer's disease (AD) and prognosis of mild cognitive impairment (MCI) conversion are crucial for early intervention. However, existing multimodal methods face several challenges, from the heterogeneity of input data, to underexplored modality interactions, missing data due to patient dropouts, and limited data caused by the time-consuming and costly data collection process. In this paper, we propose a novel Prompted Hypergraph Neural Network (PHGNN) framework that addresses these limitations by integrating hypergraph based learning with prompt learning. Hypergraphs capture higher-order relationships between different modalities, while our prompt learning approach for hypergraphs, adapted from NLP, enables efficient training with limited data. Our model is validated through extensive experiments on the ADNI dataset, outperforming SOTA methods in both AD diagnosis and the prediction of MCI conversion.
• Abstract（参考訳）: 早期介入にはアルツハイマー病(AD)の正確な診断と軽度認知障害(MCI)の予後が重要である。 しかし, 既存のマルチモーダル手法では, 入力データの均一性, 探索されていないモダリティ相互作用, 患者退院に伴うデータ不足, 時間と費用のかかるデータ収集プロセスによるデータ不足など, 様々な課題に直面している。 本稿では,ハイパーグラフに基づく学習と素早い学習を統合することで,これらの制約に対処する新しいPmpted Hypergraph Neural Network (PHGNN) フレームワークを提案する。 ハイパーグラフは異なるモダリティ間の高次関係をキャプチャする一方、NLPに適応したハイパーグラフの迅速な学習アプローチは、限られたデータによる効率的なトレーニングを可能にする。 本モデルは,ADNIデータセットにおける広範囲な実験により検証され,AD診断とMCI変換予測の両方においてSOTA法より優れていた。

関連論文リスト

• Benchmarking Reliability of Deep Learning Models for Pathological Gait Classification [2.1548132286330453]
  最近研究者たちは、機械学習アルゴリズムの進歩を活用して、歩行変化の症状を検出することを試みた。 本稿では,翻訳を阻害するギャップを同定するための既存手法について分析する。 我々は,複数の病的歩行のカテゴリを確実に区別できるAMS-GCN (Asynchronous Multi-Stream Graph Convolutional Network) という強力なベースラインを提案する。
  論文  参考訳（メタデータ） (2024-09-20T16:47:45Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information Bottleneck [3.8988556182958005]
  情報ボトルネック戦略(HGIB)に基づく新しいハイパーグラフフレームワークを提案する。 本フレームワークは,無関係な情報を識別することを目的としており,今後のMCI変換予測のための関連情報の調和にのみ焦点をあてている。 我々は、ADNIに関する広範な実験を通じて、提案したHGIBフレームワークが、アルツハイマー病予後のための既存の最先端ハイパーグラフニューラルネットワークより優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-18T10:53:43Z)
• Multi-Modal Hypergraph Diffusion Network with Dual Prior for Alzheimer Classification [4.179845212740817]
  アルツハイマー病診断のための新しい半教師付きハイパーグラフ学習フレームワークを提案する。 本フレームワークは,マルチモーダル画像と非画像データ間の高次関係を実現する。 我々は、我々の実験を通して、我々のフレームワークがアルツハイマー病診断の現在の技術より優れていることを実証した。
  論文  参考訳（メタデータ） (2022-04-04T10:31:42Z)
• Multimodal Representations Learning and Adversarial Hypergraph Fusion for Early Alzheimer's Disease Prediction [30.99183477161096]
  本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。 本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-07-21T08:08:05Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)
• 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)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。