論文の概要: Comparing and Scaling fMRI Features for Brain-Behavior Prediction

• arxiv url: http://arxiv.org/abs/2507.20601v1
• Date: Mon, 28 Jul 2025 08:13:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.976753
• Title: Comparing and Scaling fMRI Features for Brain-Behavior Prediction
• Title（参考訳）: 脳行動予測のためのfMRI特徴の比較とスケーリング
• Authors: Mikkel Schöttner Sieler, Thomas A. W. Bolton, Jagruti Patel, Patric Hagmann,
• Abstract要約: 我々は,Human Connectome Project Young Adult データセットから979名の被験者について検討した。 我々は、年齢や性別だけでなく、メンタルヘルス、認知、処理速度、物質使用の要約スコアを予測する。 FCは認知、年齢、性別を予測するのに最適な機能だ。
• 参考スコア（独自算出の注目度）: 1.0832932170181544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting behavioral variables from neuroimaging modalities such as magnetic resonance imaging (MRI) has the potential to allow the development of neuroimaging biomarkers of mental and neurological disorders. A crucial processing step to this aim is the extraction of suitable features. These can differ in how well they predict the target of interest, and how this prediction scales with sample size and scan time. Here, we compare nine feature subtypes extracted from resting-state functional MRI recordings for behavior prediction, ranging from regional measures of functional activity to functional connectivity (FC) and metrics derived with graph signal processing (GSP), a principled approach for the extraction of structure-informed functional features. We study 979 subjects from the Human Connectome Project Young Adult dataset, predicting summary scores for mental health, cognition, processing speed, and substance use, as well as age and sex. The scaling properties of the features are investigated for different combinations of sample size and scan time. FC comes out as the best feature for predicting cognition, age, and sex. Graph power spectral density is the second best for predicting cognition and age, while for sex, variability-based features show potential as well. When predicting sex, the low-pass graph filtered coupled FC slightly outperforms the simple FC variant. None of the other targets were predicted significantly. The scaling results point to higher performance reserves for the better-performing features. They also indicate that it is important to balance sample size and scan time when acquiring data for prediction studies. The results confirm FC as a robust feature for behavior prediction, but also show the potential of GSP and variability-based measures. We discuss the implications for future prediction studies in terms of strategies for acquisition and sample composition.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)のような神経イメージングのモダリティから行動変数を予測することは、精神・神経疾患の神経イメージングのバイオマーカーの開発を可能にする可能性がある。 この目的のための重要な処理ステップは、適切な特徴の抽出である。 これらは、関心対象の予測方法と、この予測がサンプルサイズやスキャン時間とどのようにスケールするかによって異なる可能性がある。 本稿では,機能的活動の地域的測定から機能的接続(FC)まで,およびグラフ信号処理(GSP)に基づく機能的特徴抽出の原則的アプローチである,動作予測のための静止状態機能的MRI記録から抽出した9つの特徴サブタイプを比較した。 成人向けヒューマン・コネクトーム・プロジェクト・ヤング・アダルト・データセットから979名の被験者を対象に,精神保健,認知,処理速度,物質使用,年齢,性別の要約スコアを推定した。 これらの特徴のスケーリング特性について,サンプルサイズとスキャン時間の異なる組み合わせについて検討した。 FCは認知、年齢、性別を予測するのに最適な機能だ。 グラフパワースペクトル密度は、認知と年齢を予測するのに2番目に適しているが、性別では、可変性に基づく特徴もポテンシャルを示している。 性を予測するとき、低パスグラフでフィルタされた結合FCは、単純なFC変種よりもわずかに優れる。 他のどの目標も大きくは予測されなかった。 スケーリングの結果は、パフォーマンスが向上する機能に対して、より高いパフォーマンスリザーブを達成していることを示している。 彼らはまた、予測研究のためのデータを取得する際に、サンプルサイズとスキャン時間のバランスをとることが重要であることも示している。 その結果,FCは行動予測の頑健な特徴であるとともに,GSPや変動性に基づく測定の可能性も示された。 本稿では, 今後の予測研究の意義を, 獲得戦略とサンプル組成の観点から論じる。

関連論文リスト

• Predicting Cognition from fMRI:A Comparative Study of Graph, Transformer, and Kernel Models Across Task and Rest Conditions [1.0832932170181544]
  本研究は,認知予測のための古典的機械学習(KRR)と高度ディープラーニング(DL)モデルを体系的にベンチマークした。 その結果,認知に直結したニューラル応答を誘発するタスクベースfMRIは,認知行動予測におけるRSfMRIよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-28T17:29:22Z)
• Swin fMRI Transformer Predicts Early Neurodevelopmental Outcomes from Neonatal fMRI [0.20482269513546453]
  この期間の発達結果の正確な予測は、遅延を特定し、タイムリーな介入を可能にするために不可欠である。 本研究では,新生児のfMRIを用いた結果の予測を目的としたSwiFT(Swin 4D fMRI Transformer)モデルを提案する。 分析の結果,SwiFTは認知,運動,言語結果の予測において,ベースラインモデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-11-25T12:20:07Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• ImageNomer: description of a functional connectivity and omics analysis tool and case study identifying a race confound [11.948945216339197]
  ImageNomerは、主観レベルとコホートレベルの両方の人口動態、ゲノム、画像の特徴を検査できるデータ可視化分析ツールである。 達成点の予測において,予期せぬ競合を識別することで,ImageNomerの有用性を実証する。 この研究は、健常青年のfMRIおよびSNPデータに偏りのない達成に関連する特徴を見出す可能性に疑問を投げかけている。
  論文  参考訳（メタデータ） (2023-02-01T21:32:24Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Accounting for Temporal Variability in Functional Magnetic Resonance Imaging Improves Prediction of Intelligence [6.021758830602659]
  特徴選択に$L_0$正規化を組み込んだバイLSTM手法を提案する。 我々は,fMRI特徴量に基づく様々なインテリジェンス尺度に対する予測性能の詳細な比較を行った。 以上の結果から,fMRIデータの時間変動を考慮することで,優れた知能予測が達成できるという結論が得られた。
  論文  参考訳（メタデータ） (2022-11-11T18:48:59Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)
• Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
  機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。 この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
  論文  参考訳（メタデータ） (2021-12-06T10:16:54Z)
• Functional Magnetic Resonance Imaging data augmentation through conditional ICA [44.483210864902304]
  本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。 本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2021-07-11T22:36:14Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。