論文の概要: Explainable Graph-theoretical Machine Learning: with Application to Alzheimer's Disease Prediction

• arxiv url: http://arxiv.org/abs/2503.16286v1
• Date: Thu, 20 Mar 2025 16:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:33:43.302057
• Title: Explainable Graph-theoretical Machine Learning: with Application to Alzheimer's Disease Prediction
• Title（参考訳）: 説明可能なグラフ理論機械学習:アルツハイマー病予測への応用
• Authors: Narmina Baghirova, Duy-Thanh Vũ, Duy-Cat Can, Christelle Schneuwly Diaz, Julien Bodlet, Guillaume Blanc, Georgi Hrusanov, Bernard Ries, Oliver Y. Chén,
• Abstract要約: アルツハイマー病(AD)は世界中で5000万人に影響を及ぼし、2050年までに1億5200万人を圧倒すると予想されている。 本稿では、個々の代謝脳グラフを構築するために、説明可能なグラフ理論機械学習(XGML)を紹介する。 XGMLは代謝脳グラフを構築し、新しい被験者の8つのAD関連認知スコアを予測するサブグラフを明らかにする。
• 参考スコア（独自算出の注目度）: 1.8719470717611726
• License:
• Abstract: Alzheimer's disease (AD) affects 50 million people worldwide and is projected to overwhelm 152 million by 2050. AD is characterized by cognitive decline due partly to disruptions in metabolic brain connectivity. Thus, early and accurate detection of metabolic brain network impairments is crucial for AD management. Chief to identifying such impairments is FDG-PET data. Despite advancements, most graph-based studies using FDG-PET data rely on group-level analysis or thresholding. Yet, group-level analysis can veil individual differences and thresholding may overlook weaker but biologically critical brain connections. Additionally, machine learning-based AD prediction largely focuses on univariate outcomes, such as disease status. Here, we introduce explainable graph-theoretical machine learning (XGML), a framework employing kernel density estimation and dynamic time warping to construct individual metabolic brain graphs that capture the distance between pair-wise brain regions and identify subgraphs most predictive of multivariate AD-related outcomes. Using FDG-PET data from the Alzheimer's Disease Neuroimaging Initiative, XGML builds metabolic brain graphs and uncovers subgraphs predictive of eight AD-related cognitive scores in new subjects. XGML shows robust performance, particularly for predicting scores measuring learning, memory, language, praxis, and orientation, such as CDRSB ($r = 0.74$), ADAS11 ($r = 0.73$), and ADAS13 ($r = 0.71$). Moreover, XGML unveils key edges jointly but differentially predictive of several AD-related outcomes; they may serve as potential network biomarkers for assessing overall cognitive decline. Together, we show the promise of graph-theoretical machine learning in biomarker discovery and disease prediction and its potential to improve our understanding of network neural mechanisms underlying AD.
• Abstract（参考訳）: アルツハイマー病(AD)は世界中で5000万人に影響を及ぼし、2050年までに1億5200万人を圧倒すると予想されている。 ADは、代謝性脳接続の破壊による認知の低下が特徴である。 したがって、AD管理には、代謝性脳ネットワーク障害の早期かつ正確な検出が不可欠である。 このような障害を識別する主な目的は、FDG-PETデータである。 進歩にもかかわらず、FDG-PETデータを用いたグラフベースの研究のほとんどは、グループレベルの分析やしきい値設定に依存している。 しかし、グループレベルの分析は個人差を防ぎ、閾値はより弱いが生物学的に重要な脳のつながりを見落としている可能性がある。 さらに、機械学習に基づくAD予測は、疾患のステータスのような単変量の結果に主に焦点をあてる。 ここでは、カーネル密度推定と動的時間ワープを利用した説明可能なグラフ理論機械学習(XGML)を導入し、ペアの脳領域間の距離を捉え、多変量AD関連結果の最も予測的な部分グラフを識別する個々の代謝脳グラフを構築する。 アルツハイマー病神経画像イニシアチブのFDG-PETデータを用いて、XGMLは代謝脳グラフを構築し、新しい被験者の8つのAD関連認知スコアを予測するサブグラフを明らかにする。 XGMLは、特にCDRSB(r = 0.74$)、ADAS11(r = 0.73$)、ADAS13(r = 0.71$)などの学習、記憶、言語、実践、オリエンテーションのスコアを測定するための堅牢なパフォーマンスを示している。 さらに、XGMLはAD関連の結果を共同で予測する重要なエッジを公開しており、認知の全体的な低下を評価するための潜在的なネットワークバイオマーカーとして機能する可能性がある。 バイオマーカー発見と疾患予測におけるグラフ理論機械学習の約束と,ADを基盤としたネットワーク神経機構の理解を深める可能性を示す。

関連論文リスト

• Brain-Aware Readout Layers in GNNs: Advancing Alzheimer's early Detection and Neuroimaging [1.074960192271861]
  本研究では,グラフニューラルネットワーク(GNN)のための新しい脳認識読み出し層(BA読み出し層)を提案する。 機能的接続とノード埋め込みに基づく脳領域のクラスタリングによって、このレイヤは、複雑な脳ネットワーク特性をキャプチャするGNNの機能を改善する。 以上の結果から,BA読み出し層を有するGNNは,プレクリニカルアルツハイマー認知複合度(PACC)の予測において,従来のモデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-10-03T05:04:45Z)
• 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)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Adapting Machine Learning Diagnostic Models to New Populations Using a Small Amount of Data: Results from Clinical Neuroscience [21.420302408947194]
  我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。 本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
  論文  参考訳（メタデータ） (2023-08-06T18:05:39Z)
• Explainable AI and Machine Learning Towards Human Gait Deterioration Analysis [0.0]
  歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。 physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
  論文  参考訳（メタデータ） (2023-06-12T14:53:00Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• 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)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Multimodal Inductive Transfer Learning for Detection of Alzheimer's Dementia and its Severity [39.57255380551913]
  本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。 時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。 本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2020-08-30T21:47:26Z)
• 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。