Fugu-MT 論文翻訳(概要): Learning Explainable Imaging-Genetics Associations Related to a Neurological Disorder

論文の概要: Learning Explainable Imaging-Genetics Associations Related to a Neurological Disorder

arxiv url: http://arxiv.org/abs/2508.18303v1
Date: Fri, 22 Aug 2025 23:18:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-27 17:42:38.507264
Title: Learning Explainable Imaging-Genetics Associations Related to a Neurological Disorder
Title（参考訳）: 神経疾患に関連する説明可能なイメージング・ジェネティクスの学習
Authors: Jueqi Wang, Zachary Jacokes, John Darrell Van Horn, Michael C. Schatz, Kevin A. Pelphrey, Archana Venkataraman,
Abstract要約: 我々は,クロスアテンション機構を利用した早期融合戦略を用いた説明可能なディープラーニングフレームワークであるNeuroPathXを提案する。自閉症スペクトラム障害とアルツハイマー病に対するNeuroPathXの有効性を検討した。
参考スコア（独自算出の注目度）: 0.6920346660346479
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While imaging-genetics holds great promise for unraveling the complex interplay between brain structure and genetic variation in neurological disorders, traditional methods are limited to simplistic linear models or to black-box techniques that lack interpretability. In this paper, we present NeuroPathX, an explainable deep learning framework that uses an early fusion strategy powered by cross-attention mechanisms to capture meaningful interactions between structural variations in the brain derived from MRI and established biological pathways derived from genetics data. To enhance interpretability and robustness, we introduce two loss functions over the attention matrix - a sparsity loss that focuses on the most salient interactions and a pathway similarity loss that enforces consistent representations across the cohort. We validate NeuroPathX on both autism spectrum disorder and Alzheimer's disease. Our results demonstrate that NeuroPathX outperforms competing baseline approaches and reveals biologically plausible associations linked to the disorder. These findings underscore the potential of NeuroPathX to advance our understanding of complex brain disorders. Code is available at https://github.com/jueqiw/NeuroPathX .
Abstract（参考訳）: 画像遺伝学は、脳の構造と神経疾患の遺伝的変異の間の複雑な相互作用を解き明かす大きな可能性を持っているが、従来の手法は、単純化された線形モデルや、解釈性に欠けるブラックボックス技術に限られている。本稿では,MRIから得られる脳の構造変化と遺伝学的データから得られた生物学的経路との有意義な相互作用を捉えるために,クロスアテンション機構を利用した早期融合戦略を用いた説明可能なディープラーニングフレームワークであるNeuroPathXを提案する。解釈可能性とロバスト性を高めるために,コホートを横断する一貫した表現を強制する経路類似性損失と,最も健全な相互作用に焦点をあてた空間損失という,注目行列上の2つの損失関数を導入する。自閉症スペクトラム障害とアルツハイマー病に対するNeuroPathXの有効性を検討した。以上の結果から,NeuroPathXは競合するベースラインアプローチよりも優れており,生物学的に有意な関連性が示唆された。これらの知見は、複雑脳疾患の理解を深めるためのNeuroPathXの可能性を強調している。コードはhttps://github.com/jueqiw/NeuroPathXで入手できる。

関連論文リスト

R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-12-22T02:54:10Z)
Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文参考訳（メタデータ） (2025-10-14T17:44:45Z)
Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
論文参考訳（メタデータ） (2025-10-02T19:38:46Z)
Uncovering Alzheimer's Disease Progression via SDE-based Spatio-Temporal Graph Deep Learning on Longitudinal Brain Networks [18.54013631358448]
我々は、将来のアルツハイマー病(AD)の進行を予測するニューラルネットワークフレームワークを開発する。筆者らの枠組みは, 地域的, 結合的重要性の低い確率を効果的に学習する。以上の結果から,AD進行の早期・個別化予測における時間グラフ学習の可能性が示唆された。
論文参考訳（メタデータ） (2025-09-26T01:02:34Z)
NeuroKoop: Neural Koopman Fusion of Structural-Functional Connectomes for Identifying Prenatal Drug Exposure in Adolescents [16.234161445781663]
我々は、構造的および機能的脳ネットワークを統合する新しいグラフニューラルネットワークベースのフレームワークであるNeuroKoopを紹介する。 NeuroKoopは、ソースベースモルフォメトリー(SBM)とファンクショナルネットワーク接続(FNC)ベースの脳グラフから派生したノード埋め込みを統一する。
論文参考訳（メタデータ） (2025-08-22T14:25:19Z)
NeuroTree: Hierarchical Functional Brain Pathway Decoding for Mental Health Disorders [8.204402796073824]
我々は、k-hop AGE-GCNとニューラル常微分方程式(ODE)とコントラッシブマスク機能接続(CMFC)を統合した学習可能なNeuroTreeフレームワークを提案する。 NeuroTreeはfMRIネットワーク機能を木構造に効果的にデコードし、高次脳局所経路の特徴の捕捉を改善する。これは、年齢に関連する劣化パターンに関する貴重な洞察を与え、その基盤となる神経機構を解明する。
論文参考訳（メタデータ） (2025-02-26T03:42:58Z)
Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
論文参考訳（メタデータ） (2025-01-02T19:37:09Z)
BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
論文参考訳（メタデータ） (2024-12-23T09:13:35Z)
NeuroPath: A Neural Pathway Transformer for Joining the Dots of Human Connectomes [4.362614418491178]
本稿では, FCのユビキタスインスタンスが, SCによって物理的に配線された神経経路(デトゥール)によってどのようにサポートされているかを明らかにするために, トポロジカルデトゥールの概念を導入する。機械学習のclich'eでは、SC-FCカップリングの基礎となるマルチホップデトゥール経路により、新しいマルチヘッド自己保持機構を考案することができる。バイオインスパイアされたニューロパス(NeuroPath)と呼ばれる深層モデルを提案し,これまでにない量のニューロイメージから有意な結合性特徴表現を求める。
論文参考訳（メタデータ） (2024-09-26T03:40:12Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
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)
Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis [31.281194583900998]
本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
論文参考訳（メタデータ） (2022-06-30T08:02:05Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)

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。