論文の概要: Not Only Grey Matter: OmniBrain for Robust Multimodal Classification of Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2507.20872v1
• Date: Mon, 28 Jul 2025 14:24:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:58.156998
• Title: Not Only Grey Matter: OmniBrain for Robust Multimodal Classification of Alzheimer's Disease
• Title（参考訳）: アルツハイマー病のロバストマルチモーダル分類におけるOmniBrainの使用経験
• Authors: Ahmed Sharshar, Yasser Ashraf, Tameem Bakr, Salma Hassan, Hosam Elgendy, Mohammad Yaqub, Mohsen Guizani,
• Abstract要約: アルツハイマー病は世界中で5500万人以上に影響を与えており、2050年までには2倍以上になると予測されている。 既存のアプローチは、臨床的に許容できる精度、データセット間の一般化、モダリティの欠如に対する堅牢性、説明可能性の全てを同時に達成できないため、制限されている。 オムニブライン(OmniBrain)は、脳MRI、放射能、遺伝子発現、臨床データを統合する多モードフレームワークである。
• 参考スコア（独自算出の注目度）: 26.209569945937474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Alzheimer's disease affects over 55 million people worldwide and is projected to more than double by 2050, necessitating rapid, accurate, and scalable diagnostics. However, existing approaches are limited because they cannot achieve clinically acceptable accuracy, generalization across datasets, robustness to missing modalities, and explainability all at the same time. This inability to satisfy all these requirements simultaneously undermines their reliability in clinical settings. We propose OmniBrain, a multimodal framework that integrates brain MRI, radiomics, gene expression, and clinical data using a unified model with cross-attention and modality dropout. OmniBrain achieves $92.2 \pm 2.4\%$accuracy on the ANMerge dataset and generalizes to the MRI-only ADNI dataset with $70.4 \pm 2.7\%$ accuracy, outperforming unimodal and prior multimodal approaches. Explainability analyses highlight neuropathologically relevant brain regions and genes, enhancing clinical trust. OmniBrain offers a robust, interpretable, and practical solution for real-world Alzheimer's diagnosis.
• Abstract（参考訳）: アルツハイマー病は世界中で5500万人を超えており、2050年までには倍増し、迅速で正確でスケーラブルな診断を必要とすると予測されている。 しかし、既存のアプローチは、臨床的に許容できる精度、データセット間の一般化、モダリティの欠如に対する堅牢性、説明可能性の全てを同時に達成できないため、制限されている。 これらの要件を同時に満たすことができないことは、臨床環境での信頼性を損なう。 オムニブライン(OmniBrain)は、脳MRI、放射能、遺伝子発現、臨床データを統合する多モードフレームワークである。 OmniBrainは、ANMergeデータセット上で92.2 \pm 2.4\%$精度を達成し、MRIのみのADNIデータセットに70.4 \pm 2.7\%$精度で一般化する。 説明可能性分析は、神経病理学的に関連する脳の領域と遺伝子を強調し、臨床信頼を高める。 OmniBrainは現実のアルツハイマー病の診断に堅牢で解釈可能で実用的な解決策を提供する。

関連論文リスト

• An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [58.78045864541539]
  大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。 このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T13:42:26Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• 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)
• Leveraging Bi-Focal Perspectives and Granular Feature Integration for Accurate Reliable Early Alzheimer's Detection [0.0]
  本稿では,異なるスケールでの情報抽出と効率的な情報フローを組み合わせた新しいグラニュラー特徴統合手法を提案する。 また,MRIにおける微妙な神経線維の絡み合いとアミロイドプラークの強調を目的としたバイフォーカスパースペクティブ機構を提案する。 我々のモデルはF1スコア99.31%、精度99.24%、リコール99.51%を達成した。
  論文  参考訳（メタデータ） (2024-07-15T17:22:16Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• SNeurodCNN: Structure-focused Neurodegeneration Convolutional Neural Network for Modelling and Classification of Alzheimer's Disease [0.0]
  認知症の主要な形態であるアルツハイマー病(AD)は、世界的な課題となっている。 現在の臨床診断は、放射線技師の専門家による解釈に依存しており、これは人間の誤りを招きやすい。 本稿では,SNeurodCNNという新しい構造に着目した神経変性CNNアーキテクチャを含むディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-08T14:33:57Z)
• 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)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
  BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。 我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
  論文  参考訳（メタデータ） (2022-08-05T07:54:10Z)
• Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
  マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。 完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。 もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
  論文  参考訳（メタデータ） (2022-02-14T19:29:08Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Multimodal Inductive Transfer Learning for Detection of Alzheimer's Dementia and its Severity [39.57255380551913]
  本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。 時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。 本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2020-08-30T21:47:26Z)

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。