論文の概要: Frequency Feature Fusion Graph Network For Depression Diagnosis Via fNIRS
- arxiv url: http://arxiv.org/abs/2504.21064v1
- Date: Tue, 29 Apr 2025 11:10:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-09 23:54:47.054175
- Title: Frequency Feature Fusion Graph Network For Depression Diagnosis Via fNIRS
- Title（参考訳）: fNIRSを用いた圧縮診断のための周波数特徴融合グラフネットワーク
- Authors: Chengkai Yang, Xingping Dong, Xiaofen Zong,
- Abstract要約: 離散フーリエ変換(DFT)を利用したうつ病診断のための新規かつ効果的なバイオマーカーを提案する。
対象者は1086名であり, うつ病診断の分野では過去の10倍以上の規模であった。
- 参考スコア（独自算出の注目度）: 10.871208380856611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven approaches for depression diagnosis have emerged as a significant research focus in neuromedicine, driven by the development of relevant datasets. Recently, graph neural network (GNN)-based models have gained widespread adoption due to their ability to capture brain channel functional connectivity from both spatial and temporal perspectives. However, their effectiveness is hindered by the absence of a robust temporal biomarker. In this paper, we introduce a novel and effective biomarker for depression diagnosis by leveraging the discrete Fourier transform (DFT) and propose a customized graph network architecture based on Temporal Graph Convolutional Network (TGCN). Our model was trained on a dataset comprising 1,086 subjects, which is over 10 times larger than previous datasets in the field of depression diagnosis. Furthermore, to align with medical requirements, we performed propensity score matching (PSM) to create a refined subset, referred to as the PSM dataset. Experimental results demonstrate that incorporating our newly designed biomarker enhances the representation of temporal characteristics in brain channels, leading to improved F1 scores in both the real-world dataset and the PSM dataset. This advancement has the potential to contribute to the development of more effective depression diagnostic tools. In addition, we used SHapley Additive exPlaination (SHAP) to validate the interpretability of our model, ensuring its practical applicability in medical settings.
- Abstract（参考訳）: うつ病診断のためのデータ駆動型アプローチは、関連するデータセットの開発によって引き起こされる神経医学における重要な研究の焦点となっている。
近年、グラフニューラルネットワーク(GNN)ベースのモデルは、空間的・時間的両面から脳チャネルの機能的接続を捉える能力により、広く採用されている。
しかし、それらの効果は、頑健な時間的バイオマーカーが欠如していることによって妨げられる。
本稿では、離散フーリエ変換(DFT)を利用した抑うつ診断のための新規かつ効果的なバイオマーカーを提案し、時間グラフ畳み込みネットワーク(TGCN)に基づくカスタマイズされたグラフネットワークアーキテクチャを提案する。
対象者は1086名であり, うつ病診断の分野では過去の10倍以上の規模であった。
さらに,医学的要件に合わせるために,PSMデータセットと呼ばれる洗練されたサブセットを作成するために,PSM(propensity score matching)を行った。
実験の結果,新たに設計されたバイオマーカーを組み込むことで,脳チャネルの時間特性の表現が促進され,実世界のデータセットとPSMデータセットの両方においてF1スコアが改善された。
この進歩は、より効果的なうつ病診断ツールの開発に寄与する可能性がある。
さらに, SHAP (SHapley Additive exPlaination) を用いて, モデルの解釈可能性を検証し, 医療現場での実用性を確認した。
関連論文リスト
- MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot [47.77948063906033]
Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。
本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。
MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
論文 参考訳（メタデータ） (2025-02-06T12:27:35Z) - GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease [9.69595196614787]
本稿では,多モード臨床データ解析のための新しいヘテロジニアスハイパーグラフ融合フレームワークであるGAMA-PDを提案する。
GAMMA-PDは、高次情報を保存することにより、画像と非画像データを"ハイパーネットワーク"(患者集団グラフ)に統合する。
パーキンソン病における運動障害症状の予測に有意な改善が認められた。
論文 参考訳（メタデータ） (2024-10-01T15:51:33Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Classification of developmental and brain disorders via graph
convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。
提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。
我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文 参考訳（メタデータ） (2023-11-13T14:36:29Z) - HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information
Bottleneck [3.8988556182958005]
情報ボトルネック戦略(HGIB)に基づく新しいハイパーグラフフレームワークを提案する。
本フレームワークは,無関係な情報を識別することを目的としており,今後のMCI変換予測のための関連情報の調和にのみ焦点をあてている。
我々は、ADNIに関する広範な実験を通じて、提案したHGIBフレームワークが、アルツハイマー病予後のための既存の最先端ハイパーグラフニューラルネットワークより優れていることを実証した。
論文 参考訳（メタデータ） (2023-03-18T10:53:43Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Spatial Temporal Graph Convolution with Graph Structure Self-learning
for Early MCI Detection [9.11430195887347]
本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。
The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
論文 参考訳（メタデータ） (2022-11-11T12:29:00Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Bidirectional Representation Learning from Transformers using Multimodal
Electronic Health Record Data to Predict Depression [11.1492931066686]
うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。
このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
論文 参考訳（メタデータ） (2020-09-26T17:56:37Z)
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。