論文の概要: Comorbidity-Informed Transfer Learning for Neuro-developmental Disorder Diagnosis

• arxiv url: http://arxiv.org/abs/2504.09463v1
• Date: Sun, 13 Apr 2025 07:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:54:28.800712
• Title: Comorbidity-Informed Transfer Learning for Neuro-developmental Disorder Diagnosis
• Title（参考訳）: 神経発達障害診断のためのコモビディティ・インフォームド・トランスファーラーニング
• Authors: Xin Wen, Shijie Guo, Wenbo Ning, Rui Cao, Jie Xiang, Xiaobo Liu, Jintai Chen,
• Abstract要約: fMRIを用いた神経発達障害のコモビディティ・イン・トランスファー学習フレームワーク 新たに強化された表現生成ネットワークを提案する。 その結果、CITLは自閉症スペクトラム障害と注意欠陥高活動障害を検出するために76.32%と73.15%の競争的精度を達成した。
• 参考スコア（独自算出の注目度）: 26.634912866633925
• License:
• Abstract: Neuro-developmental disorders are manifested as dysfunctions in cognition, communication, behaviour and adaptability, and deep learning-based computer-aided diagnosis (CAD) can alleviate the increasingly strained healthcare resources on neuroimaging. However, neuroimaging such as fMRI contains complex spatio-temporal features, which makes the corresponding representations susceptible to a variety of distractions, thus leading to less effective in CAD. For the first time, we present a Comorbidity-Informed Transfer Learning(CITL) framework for diagnosing neuro-developmental disorders using fMRI. In CITL, a new reinforced representation generation network is proposed, which first combines transfer learning with pseudo-labelling to remove interfering patterns from the temporal domain of fMRI and generates new representations using encoder-decoder architecture. The new representations are then trained in an architecturally simple classification network to obtain CAD model. In particular, the framework fully considers the comorbidity mechanisms of neuro-developmental disorders and effectively integrates them with semi-supervised learning and transfer learning, providing new perspectives on interdisciplinary. Experimental results demonstrate that CITL achieves competitive accuracies of 76.32% and 73.15% for detecting autism spectrum disorder and attention deficit hyperactivity disorder, respectively, which outperforms existing related transfer learning work for 7.2% and 0.5% respectively.
• Abstract（参考訳）: 神経発達障害は、認知、コミュニケーション、行動、適応性の障害として現れ、ディープラーニングベースのコンピュータ支援診断(CAD)は、神経イメージングにおけるますます緊張する医療資源を緩和することができる。 しかし、fMRIのようなニューロイメージングには複雑な時空間的特徴が含まれており、それに対応する表現は様々な注意をそらすことができ、CADでは効果が低くなる。 fMRIを用いて神経発達障害を診断するためのCITL(Comorbidity-Informed Transfer Learning)フレームワークを初めて紹介する。 CITLでは、転送学習と擬似ラベリングを組み合わせて、fMRIの時間領域から干渉パターンを除去し、エンコーダ・デコーダアーキテクチャを用いて新しい表現を生成する、新しい強化表現生成ネットワークが提案されている。 新しい表現はCADモデルを得るためにアーキテクチャ的にシンプルな分類ネットワークで訓練される。 特に、この枠組みは、神経発達障害の協調メカニズムを完全に考慮し、半教師付き学習と伝達学習を効果的に統合し、学際的な新たな視点を提供する。 実験の結果、CITLは自閉症スペクトラム障害と注意欠陥多動性障害をそれぞれ検出するために76.32%と73.15%の競争的精度を達成し、既存の関連する転帰学習を7.2%と0.5%で上回った。

関連論文リスト

• Parsing altered brain connectivity in neurodevelopmental disorders by integrating graph-based normative modeling and deep generative networks [1.2115617129203957]
  神経型接続パターンからの分岐の定量化は、診断と治療の介入を知らせる有望な経路を提供する。 本稿では,生物にインスパイアされた深層生成モデルと規範的モデリングを統合したBRIDGEフレームワークによる脳表現について述べる。 BRIDGEは、接続ベースの脳年齢と時間年齢の違いに基づくグローバルなニューロディバージェンススコアと、局所的な接続性の違いを強調する地域的なニューロディバージェンスマップを提供する。
  論文  参考訳（メタデータ） (2024-10-14T20:21:11Z)
• CATD: Unified Representation Learning for EEG-to-fMRI Cross-Modal Generation [17.27095141003757]
  本稿では,ニューロイメージングの終端から終端までのクロスモーダル合成のための条件付き時間拡散(CATD)フレームワークを提案する。 提案フレームワークは神経画像のクロスモーダル合成のための新しいパラダイムを確立し,パーキンソン病予測の改善や異常脳領域の同定などの医療応用の可能性を示唆している。
  論文  参考訳（メタデータ） (2024-07-16T11:31:38Z)
• BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals [11.030708270737964]
  本稿では,fMRI時系列データから直接表現を学習するBrain Masked Auto-Encoder(BrainMAE)を提案する。 BrainMAEは、4つの異なる下流タスクにおいて、確立されたベースラインメソッドをかなりのマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2024-06-24T19:16:24Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
  ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。 病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。 多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
  論文  参考訳（メタデータ） (2023-02-23T09:22:05Z)
• 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)
• Classification of ADHD Patients Using Kernel Hierarchical Extreme Learning Machine [3.39487428163997]
  我々は、脳機能接続のダイナミクスを利用して、医療画像データの特徴をモデル化する。 その結果,最先端モデルよりも優れた分類率を得た。
  論文  参考訳（メタデータ） (2022-06-28T05:17:54Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、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促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)

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。