論文の概要: Bridging Brain Connectomes and Clinical Reports for Early Alzheimer's Disease Diagnosis
- arxiv url: http://arxiv.org/abs/2508.06565v1
- Date: Thu, 07 Aug 2025 00:20:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.441604
- Title: Bridging Brain Connectomes and Clinical Reports for Early Alzheimer's Disease Diagnosis
- Title（参考訳）: 早期アルツハイマー病診断におけるブリッジング脳コネクトームと臨床報告
- Authors: Jing Zhang, Xiaowei Yu, Minheng Chen, Lu Zhang, Tong Chen, Yan Zhuang, Chao Cao, Yanjun Lyu, Li Su, Tianming Liu, Dajiang Zhu,
- Abstract要約: 本稿では,脳のコネクトームと臨床報告とを,被験者とコネクトームの双方で共有するクロスモーダル潜伏空間に整合させる新しい枠組みを提案する。
本手法をADNIデータセットを用いて軽度認知障害(MCI)に適用する。
- 参考スコア（独自算出の注目度）: 31.45078414913088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrating brain imaging data with clinical reports offers a valuable opportunity to leverage complementary multimodal information for more effective and timely diagnosis in practical clinical settings. This approach has gained significant attention in brain disorder research, yet a key challenge remains: how to effectively link objective imaging data with subjective text-based reports, such as doctors' notes. In this work, we propose a novel framework that aligns brain connectomes with clinical reports in a shared cross-modal latent space at both the subject and connectome levels, thereby enhancing representation learning. The key innovation of our approach is that we treat brain subnetworks as tokens of imaging data, rather than raw image patches, to align with word tokens in clinical reports. This enables a more efficient identification of system-level associations between neuroimaging findings and clinical observations, which is critical since brain disorders often manifest as network-level abnormalities rather than isolated regional alterations. We applied our method to mild cognitive impairment (MCI) using the ADNI dataset. Our approach not only achieves state-of-the-art predictive performance but also identifies clinically meaningful connectome-text pairs, offering new insights into the early mechanisms of Alzheimer's disease and supporting the development of clinically useful multimodal biomarkers.
- Abstract（参考訳）: 脳画像データと臨床報告を統合することは、臨床現場でのより効果的でタイムリーな診断に相補的なマルチモーダル情報を活用する貴重な機会となる。
このアプローチは、脳障害の研究において大きな注目を集めているが、重要な課題は、客観的イメージングデータを、医師のノートのような主観的なテキストベースのレポートと効果的にリンクする方法である。
本研究では,脳のコネクトームと臨床報告を,被験者とコネクトームレベルの両方で共有するクロスモーダル潜伏空間において整合し,表現学習を向上させる新しい枠組みを提案する。
われわれのアプローチの重要な革新は、脳のサブネットワークを生の画像パッチではなく画像データのトークンとして扱い、臨床報告において単語トークンと一致させることである。
これは、脳の障害が孤立した局所的な変化よりもネットワークレベルの異常としてしばしば現れるため、神経画像所見と臨床観察の間のシステムレベルの関連をより効率的に特定することができる。
本手法をADNIデータセットを用いて軽度認知障害(MCI)に適用した。
我々のアプローチは、最先端の予測性能を達成するだけでなく、臨床的に有意義なコネクトーム・テキスト・ペアを同定し、アルツハイマー病の早期メカニズムに関する新たな知見を提供し、臨床的に有用なマルチモーダルバイオマーカーの開発を支援する。
関連論文リスト
- Cross-modal Causal Intervention for Alzheimer's Disease Prediction [12.485088483891843]
本稿では,アルツハイマー病の予防接種による視覚的因果介入の枠組みを提案する。
私たちのフレームワークは、因果的介入を通じて、共同創設者を暗黙的に排除します。
CN/MCI/ADの鑑別において,本手法の優れた性能を示す実験結果が得られた。
論文 参考訳（メタデータ） (2025-07-18T14:21:24Z) - Multi-omic Prognosis of Alzheimer's Disease with Asymmetric Cross-Modal Cross-Attention Network [0.5325390073522079]
本稿では,アルツハイマー病の診断における医療従事者を支援するための新しいディープラーニングアルゴリズムフレームワークを提案する。
脳フルオロデオキシグルコースポジトロン断層撮影(PET)、MRI(MRI)、遺伝子データ、臨床データなどの医療用多視点情報を融合することにより、ADの存在を正確に検出することができる。
アルゴリズムモデルは、テストセット上で94.88%の精度を達成する。
論文 参考訳（メタデータ） (2025-07-09T07:12:38Z) - REMEMBER: Retrieval-based Explainable Multimodal Evidence-guided Modeling for Brain Evaluation and Reasoning in Zero- and Few-shot Neurodegenerative Diagnosis [6.446611581074913]
検索型マルチモーダル誘導型脳評価・推論モデルREMEMBERについて紹介する。
REMEMBERは、脳MRIスキャンを用いたゼロショットと少数ショットのアルツハイマーの診断を容易にする新しい機械学習フレームワークである。
実験結果から,REMEMBERはゼロショットと少数ショットの堅牢な性能を実現することが示された。
論文 参考訳（メタデータ） (2025-04-12T22:06:15Z) - Integrating Medical Imaging and Clinical Reports Using Multimodal Deep Learning for Advanced Disease Analysis [3.8758525789991896]
医用画像や臨床報告からの異種情報を深く統合する,革新的なマルチモーダル深層学習モデルを提案する。
医用画像では、畳み込みニューラルネットワークを用いて高次元の特徴を抽出し、重要な視覚情報をキャプチャした。
臨床報告テキストでは,2方向の長期・短期記憶ネットワークと注意機構を組み合わせることで,深い意味理解を実現する。
論文 参考訳（メタデータ） (2024-05-23T02:22:10Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳（メタデータ） (2023-11-10T11:49:49Z) - 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) - Cross-modal Memory Networks for Radiology Report Generation [30.13916304931662]
ラジオロジーレポート生成のためのエンコーダデコーダフレームワークを強化するために,クロスモーダルメモリネットワーク(CMN)を提案する。
本モデルでは,放射線画像やテキストからの情報の整合性が向上し,臨床指標の精度向上に寄与する。
論文 参考訳（メタデータ） (2022-04-28T02:32:53Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。