論文の概要: Unlocking Neural Transparency: Jacobian Maps for Explainable AI in Alzheimer's Detection

• arxiv url: http://arxiv.org/abs/2504.03230v1
• Date: Fri, 04 Apr 2025 07:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:49:02.741061
• Title: Unlocking Neural Transparency: Jacobian Maps for Explainable AI in Alzheimer's Detection
• Title（参考訳）: ニューラルネットワークのアンロック:アルツハイマー検出における説明可能なAIのためのヤコビアンマップ
• Authors: Yasmine Mustafa, Mohamed Elmahallawy, Tie Luo,
• Abstract要約: 本稿では,アルツハイマー病の診断における説明可能性と信頼性を高めるために,ヤコビアンマップ(JM)を多モードフレームワークで活用する新しいプレモデルアプローチを提案する。 我々は、JMsで訓練された3D CNNと従来の前処理データとの比較実験により、JMsを検証する。 また、3D Grad-CAM分析を用いて、視覚的および定量的な洞察を提供し、さらに解釈可能性と診断信頼性の向上を示す。
• 参考スコア（独自算出の注目度）: 1.1674893622721483
• License:
• Abstract: Alzheimer's disease (AD) leads to progressive cognitive decline, making early detection crucial for effective intervention. While deep learning models have shown high accuracy in AD diagnosis, their lack of interpretability limits clinical trust and adoption. This paper introduces a novel pre-model approach leveraging Jacobian Maps (JMs) within a multi-modal framework to enhance explainability and trustworthiness in AD detection. By capturing localized brain volume changes, JMs establish meaningful correlations between model predictions and well-known neuroanatomical biomarkers of AD. We validate JMs through experiments comparing a 3D CNN trained on JMs versus on traditional preprocessed data, which demonstrates superior accuracy. We also employ 3D Grad-CAM analysis to provide both visual and quantitative insights, further showcasing improved interpretability and diagnostic reliability.
• Abstract（参考訳）: アルツハイマー病(AD)は進歩的な認知低下を引き起こし、早期発見は効果的な介入に不可欠である。 深層学習モデルはAD診断において高い精度を示してきたが、解釈可能性の欠如は臨床的信頼と採用を制限している。 本稿では,AD検出における説明可能性と信頼性を高めるために,ジャコビアンマップ(JM)をマルチモーダルフレームワークで活用する新しいプレモデルアプローチを提案する。 局所的な脳の体積変化を捉えることで、JMはADのモデル予測とよく知られた神経解剖学的バイオマーカーの間に有意義な相関関係を確立する。 我々は、JMsで訓練された3D CNNと従来の前処理データとの比較実験により、JMsを検証する。 また、3D Grad-CAM分析を用いて、視覚的および定量的な洞察を提供し、さらに解釈可能性と診断信頼性の向上を示す。

関連論文リスト

• MINDSETS: Multi-omics Integration with Neuroimaging for Dementia Subtyping and Effective Temporal Study [0.7751705157998379]
  アルツハイマー病(AD)と血管性認知症(VaD)は最も多い認知症である。 本稿では、ADとVaDを正確に区別する革新的なマルチオミクス手法を提案し、89.25%の精度で診断を行う。
  論文  参考訳（メタデータ） (2024-11-06T10:13:28Z)
• 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)
• Unsupervised Analysis of Alzheimer's Disease Signatures using 3D Deformable Autoencoders [10.091922917520316]
  MORPHADEは3次元T1重み付き脳画像の解析に変形を利用する新しい教師なし学習手法である。 これは、深い教師なし学習による変形を初めて検出し、またアルツハイマー病(AD)による脳の構造変化の重症度を局所化し評価する。 提案手法は,AD検出において0.80のAUROCを達成し,教師なしベースラインや教師なしベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-04T11:52:44Z)
• Enhancing MRI-Based Classification of Alzheimer's Disease with Explainable 3D Hybrid Compact Convolutional Transformers [13.743241062824548]
  アルツハイマー病(AD: Alzheimer's disease)は、世界的な健康問題である。 従来の分析手法は、AD識別に不可欠な複雑な3Dパターンの識別に苦慮することが多い。 3D Hybrid Convolutional Transformer 3D (HCCT) について紹介する。
  論文  参考訳（メタデータ） (2024-03-24T14:35:06Z)
• Unmasking Dementia Detection by Masking Input Gradients: A JSM Approach to Model Interpretability and Precision [1.5501208213584152]
  本稿では,多段階進行に対するアルツハイマー病(AD)分類の解釈可能なマルチモーダルモデルを導入し,ヤコビアン・サリエンシ・マップ(JSM)をモダリティに依存しないツールとして組み込んだ。 アブレーション研究を含む評価では、モデルデバッグと解釈にJSMを用いることの有効性が示され、モデル精度も著しく向上した。
  論文  参考訳（メタデータ） (2024-02-25T06:53:35Z)
• 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)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
  アルツハイマー病(AD)は高齢者に特に顕著である。 事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。 本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:03:28Z)
• 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)
• An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
  我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。 実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T11:08:55Z)
• 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。