論文の概要: NeuroCLIP: A Multimodal Contrastive Learning Method for rTMS-treated Methamphetamine Addiction Analysis

• arxiv url: http://arxiv.org/abs/2507.20189v1
• Date: Sun, 27 Jul 2025 09:16:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.177818
• Title: NeuroCLIP: A Multimodal Contrastive Learning Method for rTMS-treated Methamphetamine Addiction Analysis
• Title（参考訳）: NeuroCLIP : rTMS処理メタフェタミン添加分析のためのマルチモーダルコントラスト学習法
• Authors: Chengkai Wang, Di Wu, Yunsheng Liao, Wenyao Zheng, Ziyi Zeng, Xurong Gao, Hemmings Wu, Zhoule Zhu, Jie Yang, Lihua Zhong, Weiwei Cheng, Yun-Hsuan Chen, Mohamad Sawan,
• Abstract要約: メタンフェタミン依存症は、世界的な健康問題を引き起こす。 脳波(EEG)や機能的近赤外分光法(fNIRS)のような客観的な神経画像モダリティは代替手段を提供する。 本研究では,脳波とfNIRSデータを同時に統合した新しいディープラーニングフレームワークであるNeuroCLIPを提案する。
• 参考スコア（独自算出の注目度）: 5.179684547435887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Methamphetamine dependence poses a significant global health challenge, yet its assessment and the evaluation of treatments like repetitive transcranial magnetic stimulation (rTMS) frequently depend on subjective self-reports, which may introduce uncertainties. While objective neuroimaging modalities such as electroencephalography (EEG) and functional near-infrared spectroscopy (fNIRS) offer alternatives, their individual limitations and the reliance on conventional, often hand-crafted, feature extraction can compromise the reliability of derived biomarkers. To overcome these limitations, we propose NeuroCLIP, a novel deep learning framework integrating simultaneously recorded EEG and fNIRS data through a progressive learning strategy. This approach offers a robust and trustworthy biomarker for methamphetamine addiction. Validation experiments show that NeuroCLIP significantly improves discriminative capabilities among the methamphetamine-dependent individuals and healthy controls compared to models using either EEG or only fNIRS alone. Furthermore, the proposed framework facilitates objective, brain-based evaluation of rTMS treatment efficacy, demonstrating measurable shifts in neural patterns towards healthy control profiles after treatment. Critically, we establish the trustworthiness of the multimodal data-driven biomarker by showing its strong correlation with psychometrically validated craving scores. These findings suggest that biomarker derived from EEG-fNIRS data via NeuroCLIP offers enhanced robustness and reliability over single-modality approaches, providing a valuable tool for addiction neuroscience research and potentially improving clinical assessments.
• Abstract（参考訳）: メタフェタミン依存症は、世界的な健康上の大きな課題となっているが、その評価と、反復的経頭蓋磁気刺激(rTMS)のような治療の評価は、しばしば主観的な自己申告に依存し、不確実性をもたらす可能性がある。 脳波(EEG)や機能近赤外分光法(fNIRS)のような客観的な神経画像モダリティは代替手段を提供するが、それらの個々の制限と従来の手作りの特徴抽出は、派生バイオマーカーの信頼性を損なう可能性がある。 この制限を克服するために,脳波とfNIRSデータを同時記録した新しいディープラーニングフレームワークであるNeuroCLIPを提案する。 このアプローチは、メタンフェタミン中毒に対する堅牢で信頼できるバイオマーカーを提供する。 検証実験により、NeuroCLIPは、脳波のみまたはfNIRSのみを用いたモデルと比較して、メタンフェタミン依存者間の識別能力と健康的な制御を著しく改善することが示された。 さらに、このフレームワークは、rTMS治療効果の客観的、脳による評価を容易にし、治療後の健康な制御プロファイルに対する神経パターンの計測可能な変化を示す。 批判的に,多モードなデータ駆動バイオマーカーの信頼性を確立し,その信頼性を心理学的に評価されたクレービングスコアとの強い相関性を示す。 以上の結果から,NeuroCLIPによる脳波-fNIRSデータから得られたバイオマーカーは,単一モダリティアプローチよりも堅牢性と信頼性が向上し,中毒性神経科学研究に有用なツールとなり,臨床評価を改善する可能性が示唆された。

関連論文リスト

• NeuroMoE: A Transformer-Based Mixture-of-Experts Framework for Multi-Modal Neurological Disorder Classification [3.5313393560458826]
  Deep Learningは最近、診断を助けるために医療データから意味のあるパターンを抽出する強力なツールとして登場した。 神経疾患を分類するための新しいトランスフォーマーベースのMixture-of-Experts(MoE)フレームワークを提案する。 我々のフレームワークは82.47%の検証精度を達成し、ベースライン法を10%以上上回っている。
  論文  参考訳（メタデータ） (2025-06-17T20:40:06Z)
• Foundation-Model-Boosted Multimodal Learning for fMRI-based Neuropathic Pain Drug Response Prediction [8.049129443071834]
  FMM$_TC$は、fMRIに基づく神経因性鎮痛薬の反応予測のための基礎モデルを用いたマルチモーダル学習フレームワークである。 FMM$_TC$は、2つのrs-fMRIモダリティから補完情報を統合する。 FMM$_TC$の表現能力、一般化可能性、および既存の単モードfMRIモデルに対するクロスデータセット適応性を示す。
  論文  参考訳（メタデータ） (2025-02-28T21:50:03Z)
• Discovering robust biomarkers of psychiatric disorders from resting-state functional MRI via graph neural networks: A systematic review [4.799269666410891]
  障害予測タスクのためのfMRIデータセットに対して,GNNとモデル説明可能性技術がどのように適用されてきたかを検討する。 精神疾患に対するfMRIバイオマーカーを報告したGNNを用いて65種類の研究を同定した。 バイオマーカーのロバスト性を決定するために,客観的評価指標に基づく新しい標準を確立することを提案する。
  論文  参考訳（メタデータ） (2024-05-01T15:29:55Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from Dynamic Contrast-Enhanced MRI [37.358265461543716]
  薬物動態パラメータとAIFの両方を推定する新しい未経験深層学習法を提案する。 提案するCycleGANフレームワークは、基礎となる物理モデルに基づいて設計されており、単一のジェネレータと識別器ペアによるよりシンプルなアーキテクチャを実現する。 実験の結果,AIF測定を別途必要とせず,他の方法よりも信頼性の高い薬物動態パラメータが得られた。
  論文  参考訳（メタデータ） (2023-06-07T11:10:10Z)
• A marker-less human motion analysis system for motion-based biomarker discovery in knee disorders [60.99112047564336]
  NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。 膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
  論文  参考訳（メタデータ） (2023-04-26T16:47:42Z)
• 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)
• Mapping fNIRS to fMRI with Neural Data Augmentation and Machine Learning Models [0.0]
  機能的磁気共鳴イメージング(fMRI)は、最も一般的で広く使われている神経イメージング技術である。 fMRIによる個人差のマーカーへの関心が高まっている。 機械学習モデルとデータ拡張を用いて、人間の認識のfMRIマーカーを予測する。
  論文  参考訳（メタデータ） (2022-06-13T21:32:30Z)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)

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。