論文の概要: ASDFormer: A Transformer with Mixtures of Pooling-Classifier Experts for Robust Autism Diagnosis and Biomarker Discovery

• arxiv url: http://arxiv.org/abs/2508.14005v1
• Date: Tue, 19 Aug 2025 17:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:32.023043
• Title: ASDFormer: A Transformer with Mixtures of Pooling-Classifier Experts for Robust Autism Diagnosis and Biomarker Discovery
• Title（参考訳）: ASDFormer:ロバスト自閉症診断とバイオマーカー発見のためのプール分類専門家の混在したトランスフォーマー
• Authors: Mohammad Izadi, Mehran Safayani,
• Abstract要約: ASDFormerはトランスフォーマーベースのアーキテクチャで、ASDに関連するニューラルシグネチャをキャプチャするために、Mixture of Pooling-Classifier Experts (MoE)を組み込んでいる。 ASDFormerは最先端の診断精度を実現し、ASDに関連する機能的接続障害に対する堅牢な洞察を明らかにする。
• 参考スコア（独自算出の注目度）: 1.480954510970526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autism Spectrum Disorder (ASD) is a complex neurodevelopmental condition marked by disruptions in brain connectivity. Functional MRI (fMRI) offers a non-invasive window into large-scale neural dynamics by measuring blood-oxygen-level-dependent (BOLD) signals across the brain. These signals can be modeled as interactions among Regions of Interest (ROIs), which are grouped into functional communities based on their underlying roles in brain function. Emerging evidence suggests that connectivity patterns within and between these communities are particularly sensitive to ASD-related alterations. Effectively capturing these patterns and identifying interactions that deviate from typical development is essential for improving ASD diagnosis and enabling biomarker discovery. In this work, we introduce ASDFormer, a Transformer-based architecture that incorporates a Mixture of Pooling-Classifier Experts (MoE) to capture neural signatures associated with ASD. By integrating multiple specialized expert branches with attention mechanisms, ASDFormer adaptively emphasizes different brain regions and connectivity patterns relevant to autism. This enables both improved classification performance and more interpretable identification of disorder-related biomarkers. Applied to the ABIDE dataset, ASDFormer achieves state-of-the-art diagnostic accuracy and reveals robust insights into functional connectivity disruptions linked to ASD, highlighting its potential as a tool for biomarker discovery.
• Abstract（参考訳）: 自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、脳の接続の障害を特徴とする複雑な神経発達状態である。 機能MRI(Functional MRI)は、脳全体にわたる血液酸素レベル依存(BOLD)シグナルを測定することで、大規模な神経力学に非侵襲的な窓を提供する。 これらのシグナルは、関心の領域(ROI)間の相互作用としてモデル化することができ、脳機能における基礎的な役割に基づいて機能的なコミュニティにグループ化される。 新たな証拠は、これらのコミュニティ内とコミュニティ間の接続パターンが特にASD関連の変更に敏感であることを示している。 これらのパターンを効果的に捕捉し、典型的な発達から逸脱する相互作用を識別することは、ASD診断を改善し、バイオマーカー発見を可能にするために不可欠である。 本研究では,ASDに関連付けられたニューラルシグネチャを捉えるために,ポリシング分類エキスパート(MoE)を組み込んだトランスフォーマーベースのアーキテクチャであるASDFormerを紹介する。 複数の専門的なブランチと注意機構を統合することで、ASDFormerは、自閉症に関連するさまざまな脳領域と接続パターンを適応的に強調する。 これにより、分類性能の向上と障害関連バイオマーカーのより解釈可能な識別が可能になる。 ABIDEデータセットに適用されたASDFormerは、最先端の診断精度を実現し、ASDに関連する機能的接続障害に関する堅牢な洞察を明らかにし、バイオマーカー発見のツールとしての可能性を強調している。

関連論文リスト

• STARFormer: A Novel Spatio-Temporal Aggregation Reorganization Transformer of FMRI for Brain Disorder Diagnosis [5.222252054627967]
  本稿では,信号の空間的特徴と時間的特徴を効果的に捉えた時空間集約型ランズフォーマSTAR(Former)を提案する。 提案したSTARFormerは、自閉症スペクトラム障害(ASD)と注意欠陥高活動障害(ADHD)の分類のための2つの公開データセットで厳格に評価されている。
  論文  参考訳（メタデータ） (2024-12-31T10:20:15Z)
• An Interpretable Cross-Attentive Multi-modal MRI Fusion Framework for Schizophrenia Diagnosis [46.58592655409785]
  本稿では,fMRI と sMRI のモーダル内およびモーダル間関係を捉えるために,CAMF (Cross-Attentive Multi-modal Fusion framework) を提案する。 提案手法は,2つの広範囲なマルチモーダル脳画像データセットを用いた評価により,分類精度を著しく向上させる。 勾配誘導Score-CAMは、統合失調症に関連する重要な機能的ネットワークと脳領域の解釈に応用される。
  論文  参考訳（メタデータ） (2024-03-29T20:32:30Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Autism Spectrum Disorder Classification with Interpretability in Children based on Structural MRI Features Extracted using Contrastive Variational Autoencoder [9.176360748848357]
  自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、患者に社会的相互作用能力の重大な障害をもたらす精神疾患である。 本研究では,0.92歳から4.83歳までの小児におけるASD分類のための機械学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T12:46:19Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• 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)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• MHATC: Autism Spectrum Disorder identification utilizing multi-head attention encoder along with temporal consolidation modules [11.344829880346353]
  静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。 ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:50:16Z)

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。