論文の概要: NeuroLIP: Interpretable and Fair Cross-Modal Alignment of fMRI and Phenotypic Text

• arxiv url: http://arxiv.org/abs/2503.21964v1
• Date: Thu, 27 Mar 2025 20:22:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 19:09:59.478379
• Title: NeuroLIP: Interpretable and Fair Cross-Modal Alignment of fMRI and Phenotypic Text
• Title（参考訳）: NeuroLIP:fMRIとフェノタイプテキストの解釈可能かつ公平な相互アライメント
• Authors: Yanting Yang, Xiaoxiao Li,
• Abstract要約: 本稿では,新しいクロスモーダル・コントラスト学習フレームワークであるNeuroLIPを提案する。 テキストトークン条件付注意 (TTCA) および局所化トークン (CALT) によるクロスモーダルアライメントを各疾患関連表現型トークンによる脳領域レベルの埋め込みに導入する。 トークンレベルの注意マップを通じて解釈可能性を改善し、脳の領域と疾患の関連を明らかにする。
• 参考スコア（独自算出の注目度）: 22.129107057116894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating functional magnetic resonance imaging (fMRI) connectivity data with phenotypic textual descriptors (e.g., disease label, demographic data) holds significant potential to advance our understanding of neurological conditions. However, existing cross-modal alignment methods often lack interpretability and risk introducing biases by encoding sensitive attributes together with diagnostic-related features. In this work, we propose NeuroLIP, a novel cross-modal contrastive learning framework. We introduce text token-conditioned attention (TTCA) and cross-modal alignment via localized tokens (CALT) to the brain region-level embeddings with each disease-related phenotypic token. It improves interpretability via token-level attention maps, revealing brain region-disease associations. To mitigate bias, we propose a loss for sensitive attribute disentanglement that maximizes the attention distance between disease tokens and sensitive attribute tokens, reducing unintended correlations in downstream predictions. Additionally, we incorporate a negative gradient technique that reverses the sign of CALT loss on sensitive attributes, further discouraging the alignment of these features. Experiments on neuroimaging datasets (ABIDE and ADHD-200) demonstrate NeuroLIP's superiority in terms of fairness metrics while maintaining the overall best standard metric performance. Qualitative visualization of attention maps highlights neuroanatomical patterns aligned with diagnostic characteristics, validated by the neuroscientific literature. Our work advances the development of transparent and equitable neuroimaging AI.
• Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)接続データを表現型テキスト記述子(例えば、疾患ラベル、人口統計データ)と統合することは、神経疾患の理解を深める大きな可能性を秘めている。 しかし、既存のクロスモーダルアライメント手法は、診断関連の特徴とともにセンシティブな属性を符号化することで、解釈可能性やリスク導入バイアスを欠くことが多い。 本研究では,新しいクロスモーダルコントラスト学習フレームワークであるNeuroLIPを提案する。 テキストトークン条件付注意 (TTCA) および局所化トークン (CALT) によるクロスモーダルアライメントを各疾患関連表現型トークンによる脳領域レベルの埋め込みに導入する。 トークンレベルの注意マップを通じて解釈可能性を改善し、脳の領域と疾患の関連を明らかにする。 バイアスを軽減するために,障害トークンと属性トークンとの注意距離を最大化し,下流予測における意図しない相関を低減できる属性非絡み合いの損失を提案する。 さらに、感度特性に対するCALT損失の兆候を逆転させる負の勾配法を導入し、これらの特徴のアライメントを阻害する。 ニューロイメージングデータセット(ABIDEとADHD-200)の実験は、全体的な標準メトリック性能を維持しながら、フェアネス指標の点でNeuroLIPの優位性を実証している。 注意マップの質的な可視化は、神経科学文献によって検証された診断特性に沿った神経解剖学的パターンを強調している。 我々の研究は透明で公平なニューロイメージングAIの開発を進める。

関連論文リスト

• Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks for Explainable Depression Identification [5.067010036621563]
  本稿では,神経科学領域の知識を深層学習にブリッジする新しいフレームワークであるNH-GCAT(Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks)を紹介する。 提案手法では, 局所脳の局所レベルにおいて, 時間的血液酸素濃度依存性(BOLD)のダイナミックスと機能的接続パターンを融合した残差ゲート融合モジュールを設計し, 局所的うつ病関連低周波神経振動を捕捉する手法, マルチリージョン回路レベルでは, 確立されたうつ病神経回路網の組織に従って局所ノード表現を集約する階層回路符号化方式を提案する。
  論文  参考訳（メタデータ） (2025-11-18T16:50:04Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
  縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。 このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。 アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
  論文  参考訳（メタデータ） (2025-09-09T11:52:24Z)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• NeuroSymAD: A Neuro-Symbolic Framework for Interpretable Alzheimer's Disease Diagnosis [35.4733004746959]
  NeuroSymADは、ニューラルネットワークとシンボリック推論を相乗化するための、ニューロシンボリックなフレームワークである。 ニューラルネットワークは脳のMRIスキャンを受理し、大きな言語モデルは医療規則を蒸留し、生体マーカーや医療史を推論して象徴的なシステムを導く。
  論文  参考訳（メタデータ） (2025-03-01T14:29:39Z)
• NeuroTree: Hierarchical Functional Brain Pathway Decoding for Mental Health Disorders [8.693515007203429]
  我々は既存のfMRIベースのグラフ畳み込みネットワークの限界を克服するためにNeuroTreeを提案する。 NeuroTreeはk-hop AGE-GCNとニューラル常微分方程式(ODE)を統合して機能接続を最適化する。 我々の経験的評価は、NeuroTreeが2つの異なる精神障害データセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-02-26T03:42:58Z)
• 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)
• Contrastive Graph Pooling for Explainable Classification of Brain Networks [9.917580917431293]
  機能的磁気共鳴イメージング(fMRI)は、神経活動を測定するために一般的に用いられる技術である。 グラフとしてのfMRIデータの解析とグラフニューラルネットワーク(GNN)による特徴抽出 我々は、fMRI特有の要件を満たす脳ネットワークにおいて、GNNをよりよく活用するためのContrastPoolを提案する。
  論文  参考訳（メタデータ） (2023-07-07T11:49:55Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• Autism spectrum disorder classification based on interpersonal neural synchrony: Can classification be improved by dyadic neural biomarkers using unsupervised graph representation learning? [0.0]
  ASDの中核的な側面の神経機構を明示的にマッピングする教師なしグラフ表現を導入する。 機能近赤外分光データによる最初の結果は、タスクに依存しない、解釈可能なグラフ表現の潜在的な予測能力を示している。
  論文  参考訳（メタデータ） (2022-08-17T07:10:57Z)
• CogAlign: Learning to Align Textual Neural Representations to Cognitive Language Processing Signals [60.921888445317705]
  自然言語処理モデルに認知言語処理信号を統合するためのCogAlignアプローチを提案する。 我々は、CogAlignが、パブリックデータセット上の最先端モデルよりも、複数の認知機能で大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2021-06-10T07:10:25Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• 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)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)
• Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders [10.12649945620901]
  病気特異的なコネクトロミックベンチマークを検出するためのマルチレゾリューションエッジネットワーク(MENET)を提案する。 MENETは診断ラベルを正確に予測し、神経疾患と関連性の高い脳の結合性を識別する。
  論文  参考訳（メタデータ） (2019-12-03T03:46:14Z)

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。