論文の概要: BrainPrompt: Multi-Level Brain Prompt Enhancement for Neurological Condition Identification
- arxiv url: http://arxiv.org/abs/2504.16096v1
- Date: Sat, 12 Apr 2025 06:45:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:52.816902
- Title: BrainPrompt: Multi-Level Brain Prompt Enhancement for Neurological Condition Identification
- Title（参考訳）: BrainPrompt: 神経条件同定のためのマルチレベル脳プロンプト機能強化
- Authors: Jiaxing Xu, Kai He, Yue Tang, Wei Li, Mengcheng Lan, Xia Dong, Yiping Ke, Mengling Feng,
- Abstract要約: BrainPromptはグラフニューラルネットワーク(GNN)を強化する革新的なフレームワーク
BrainPromptは、Large Language Models(LLM)と知識駆動のプロンプトを統合している。
神経疾患からの2つの安静時機能的磁気共鳴画像(fMRI)データセットにおけるBrainPromptの評価を行った。
- 参考スコア（独自算出の注目度）: 18.50236178374499
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Neurological conditions, such as Alzheimer's Disease, are challenging to diagnose, particularly in the early stages where symptoms closely resemble healthy controls. Existing brain network analysis methods primarily focus on graph-based models that rely solely on imaging data, which may overlook important non-imaging factors and limit the model's predictive power and interpretability. In this paper, we present BrainPrompt, an innovative framework that enhances Graph Neural Networks (GNNs) by integrating Large Language Models (LLMs) with knowledge-driven prompts, enabling more effective capture of complex, non-imaging information and external knowledge for neurological disease identification. BrainPrompt integrates three types of knowledge-driven prompts: (1) ROI-level prompts to encode the identity and function of each brain region, (2) subject-level prompts that incorporate demographic information, and (3) disease-level prompts to capture the temporal progression of disease. By leveraging these multi-level prompts, BrainPrompt effectively harnesses knowledge-enhanced multi-modal information from LLMs, enhancing the model's capability to predict neurological disease stages and meanwhile offers more interpretable results. We evaluate BrainPrompt on two resting-state functional Magnetic Resonance Imaging (fMRI) datasets from neurological disorders, showing its superiority over state-of-the-art methods. Additionally, a biomarker study demonstrates the framework's ability to extract valuable and interpretable information aligned with domain knowledge in neuroscience.
- Abstract（参考訳）: アルツハイマー病のような神経疾患は、特に症状が健康的なコントロールによく似ている初期の段階では診断が困難である。
既存の脳ネットワーク分析手法は、画像データのみに依存するグラフベースのモデルに重点を置いており、重要な非画像的要因を見落とし、モデルの予測能力と解釈可能性を制限する可能性がある。
本稿では,大規模言語モデル(LLM)と知識駆動型プロンプトを統合することにより,グラフニューラルネットワーク(GNN)を強化する革新的なフレームワークであるBrainPromptを提案する。
BrainPromptは、(1)各脳領域のアイデンティティと機能をコードするROIレベルのプロンプト、(2)人口統計情報を含む主観レベルのプロンプト、(3)疾患レベルのプロンプトと、病の時間的進行を捉えることの3つのタイプの知識駆動プロンプトを統合した。
これらの多段階のプロンプトを活用することで、BrainPromptはLLMからの知識に富んだマルチモーダル情報を効果的に活用し、モデルが神経疾患のステージを予測する能力を高め、さらに解釈可能な結果を提供する。
神経疾患からの2つの安静時機能的磁気共鳴画像(fMRI)データセット上でのBrainPromptの評価を行った。
さらに、バイオマーカーの研究は、神経科学におけるドメイン知識に沿った価値ある、解釈可能な情報を抽出する能力を示す。
関連論文リスト
- 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) - MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。
脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。
脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
論文 参考訳（メタデータ） (2025-02-07T16:01:59Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - 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) - Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph
Convolutional Network [0.8399688944263843]
既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。
本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。
我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
論文 参考訳（メタデータ） (2022-10-08T12:14:33Z) - Learning Generative Factors of Neuroimaging Data with Variational
auto-encoders [0.0]
生成モデリングの枠組みを応用して、複数の病理を分類し、それらの病理の神経学的メカニズムをデータ駆動で復元する。
本稿では、現在のドメイン知識と整合した疾患関連メカニズムを学習するフレームワークの能力を実証する。
論文 参考訳（メタデータ） (2022-06-04T08:23:25Z) - 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) - Visual Explanation for Identification of the Brain Bases for Dyslexia on
fMRI Data [13.701992590330395]
ネットワーク可視化技術を用いて、高レベルの特徴を学習するために必要な畳み込みニューラルネットワーク層において、分類された条件に対する専門家が支援する洞察に意味のあるイメージを提供することができることを示す。
以上の結果から,脳画像のみによる発達障害の正確な分類だけでなく,同時代の神経科学的知識と一致する特徴の自動可視化も可能となった。
論文 参考訳（メタデータ） (2020-07-17T22:11:30Z)
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。