論文の概要: A Federated Learning Framework for Handling Subtype Confounding and Heterogeneity in Large-Scale Neuroimaging Diagnosis

• arxiv url: http://arxiv.org/abs/2508.06589v1
• Date: Fri, 08 Aug 2025 07:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.459781
• Title: A Federated Learning Framework for Handling Subtype Confounding and Heterogeneity in Large-Scale Neuroimaging Diagnosis
• Title（参考訳）: 大規模脳画像診断におけるサブタイプコンバウンディングと不均一性処理のためのフェデレートラーニングフレームワーク
• Authors: Xinglin Zhao, Yanwen Wang, Xiaobo Liu, Yanrong Hao, Rui Cao, Xin Wen,
• Abstract要約: 本稿では,ニューロイメージングCADシステムに適した新しいフェデレーション学習フレームワークを提案する。 私たちのアプローチには、最も適切なローカルモデルにサンプルをルーティングする動的ナビゲーションモジュールが含まれています。 1300名以上のMDD患者のfMRIデータと1100名の健常者を対象とした。
• 参考スコア（独自算出の注目度）: 22.017120252054625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-aided diagnosis (CAD) systems play a crucial role in analyzing neuroimaging data for neurological and psychiatric disorders. However, small-sample studies suffer from low reproducibility, while large-scale datasets introduce confounding heterogeneity due to multiple disease subtypes being labeled under a single category. To address these challenges, we propose a novel federated learning framework tailored for neuroimaging CAD systems. Our approach includes a dynamic navigation module that routes samples to the most suitable local models based on latent subtype representations, and a meta-integration module that combines predictions from heterogeneous local models into a unified diagnostic output. We evaluated our framework using a comprehensive dataset comprising fMRI data from over 1300 MDD patients and 1100 healthy controls across multiple study cohorts. Experimental results demonstrate significant improvements in diagnostic accuracy and robustness compared to traditional methods. Specifically, our framework achieved an average accuracy of 74.06\% across all tested sites, showcasing its effectiveness in handling subtype heterogeneity and enhancing model generalizability. Ablation studies further confirmed the importance of both the dynamic navigation and meta-integration modules in improving performance. By addressing data heterogeneity and subtype confounding, our framework advances reliable and reproducible neuroimaging CAD systems, offering significant potential for personalized medicine and clinical decision-making in neurology and psychiatry.
• Abstract（参考訳）: コンピュータ支援診断システム(CAD)は神経学的・精神疾患の神経画像データを解析する上で重要な役割を担っている。 しかし、小サンプルの研究は再現性が低い一方、大規模なデータセットは複数の疾患のサブタイプが単一のカテゴリでラベル付けされているため、不均一性をもたらす。 これらの課題に対処するために,ニューロイメージングCADシステムに適した新しいフェデレーション学習フレームワークを提案する。 提案手法には,潜在サブタイプ表現に基づく最も適切な局所モデルにサンプルをルーティングする動的ナビゲーションモジュールと,異種局所モデルからの予測を統一的な診断出力に組み合わせたメタインテグレーションモジュールを含む。 複数の研究コホートにまたがる1300名以上のMDD患者と1100名の健常者からのfMRIデータからなる包括的データセットを用いて,本フレームワークの評価を行った。 実験の結果,従来の方法と比較して診断精度と堅牢性は著しく向上した。 具体的には,全ての試験現場で平均74.06\%の精度を達成し,サブタイプ不均一性処理とモデル一般化性の向上に有効性を示した。 アブレーション研究により、動的ナビゲーションとメタインテグレーションモジュールの両方が性能向上に重要であることが確認された。 データ不均一性とサブタイプコンバウンディングに対処することにより、我々は信頼性と再現性のあるニューロイメージングCADシステムを進歩させ、ニューロロジーと精神医学におけるパーソナライズド医療と臨床意思決定に有意義な可能性を秘めている。

関連論文リスト

• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• UNICORN: A Deep Learning Model for Integrating Multi-Stain Data in Histopathology [2.9389205138207277]
  UNICORNは動脈硬化の重症度予測のための多段階組織学を処理できるマルチモーダルトランスフォーマーである。 このアーキテクチャは、2段階のエンドツーエンドのトレーニング可能なモデルと、トランスフォーマーの自己保持ブロックを利用する特殊なモジュールから構成される。 UNICORNは0.67の分類精度を達成し、他の最先端モデルを上回った。
  論文  参考訳（メタデータ） (2024-09-26T12:13:52Z)
• Grading and Anomaly Detection for Automated Retinal Image Analysis using Deep Learning [0.5999777817331317]
  本研究はPRISMA分析を用いた系統的な文献レビューを行い,62項目について検討した。 DR病変の検出に使用される多種多様なディープラーニング技術について論じる。
  論文  参考訳（メタデータ） (2024-09-25T08:13:39Z)
• Assessing and Enhancing Robustness of Deep Learning Models with Corruption Emulation in Digital Pathology [9.850335454350367]
  我々は,病的ライフサイクル全体にわたるフルスタック汚職の物理的原因を分析した。 我々は3つのOmniCE崩壊ベンチマークデータセットをパッチレベルとスライドレベルの両方で構築する。 我々は,OmniCEの崩壊したデータセットをトレーニングや実験のために拡張データとして利用し,モデルの一般化能力が大幅に向上したことを確かめる。
  論文  参考訳（メタデータ） (2023-10-31T12:59:36Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• MRI Images, Brain Lesions and Deep Learning [0.0]
  脳MRI画像のホワイトマター高輝度(WMH)の分類、識別、検出を可能にするシステムおよびアルゴリズムに関する公開文献をレビューします。 虚血性および脱髄性病変のセグメント化の最高精度と信頼性を達成するために、ディープラーニングの新しいモデルの研究と提案に絶え間なく成長しています。
  論文  参考訳（メタデータ） (2021-01-13T14:18:48Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。