論文の概要: Explainable Graph Neural Networks: Understanding Brain Connectivity and Biomarkers in Dementia

• arxiv url: http://arxiv.org/abs/2509.18568v1
• Date: Tue, 23 Sep 2025 02:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.662855
• Title: Explainable Graph Neural Networks: Understanding Brain Connectivity and Biomarkers in Dementia
• Title（参考訳）: 説明可能なグラフニューラルネットワーク:認知症における脳の結合性とバイオマーカーを理解する
• Authors: Niharika Tewari, Nguyen Linh Dan Le, Mujie Liu, Jing Ren, Ziqi Xu, Tabinda Sarwar, Veeky Baths, Feng Xia,
• Abstract要約: 本総説は, 認知症研究におけるXGNNの信頼性, 臨床的意義, スケーラブルな活用に向けての今後の取り組みを導くことを目的としている。 本稿では,認知症研究におけるXGNNの総合的研究について紹介する。 アルツハイマー病,パーキンソン病,軽度認知障害,多疾患診断における応用について検討した。
• 参考スコア（独自算出の注目度）: 8.97624586025435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dementia is a progressive neurodegenerative disorder with multiple etiologies, including Alzheimer's disease, Parkinson's disease, frontotemporal dementia, and vascular dementia. Its clinical and biological heterogeneity makes diagnosis and subtype differentiation highly challenging. Graph Neural Networks (GNNs) have recently shown strong potential in modeling brain connectivity, but their limited robustness, data scarcity, and lack of interpretability constrain clinical adoption. Explainable Graph Neural Networks (XGNNs) have emerged to address these barriers by combining graph-based learning with interpretability, enabling the identification of disease-relevant biomarkers, analysis of brain network disruptions, and provision of transparent insights for clinicians. This paper presents the first comprehensive review dedicated to XGNNs in dementia research. We examine their applications across Alzheimer's disease, Parkinson's disease, mild cognitive impairment, and multi-disease diagnosis. A taxonomy of explainability methods tailored for dementia-related tasks is introduced, alongside comparisons of existing models in clinical scenarios. We also highlight challenges such as limited generalizability, underexplored domains, and the integration of Large Language Models (LLMs) for early detection. By outlining both progress and open problems, this review aims to guide future work toward trustworthy, clinically meaningful, and scalable use of XGNNs in dementia research.
• Abstract（参考訳）: 認知症は進行性神経変性疾患であり、アルツハイマー病、パーキンソン病、前頭側頭型認知症、血管性認知症などの複数の病因がある。 その臨床的および生物学的不均一性は、診断とサブタイプ分化を極めて困難にする。 グラフニューラルネットワーク(GNN)は、最近、脳の接続をモデル化する強力な可能性を示しているが、その制限された堅牢性、データの不足、解釈可能性の欠如は、臨床応用を制約している。 説明可能なグラフニューラルネットワーク(XGNN)は、グラフベースの学習と解釈可能性を組み合わせることで、疾患関連バイオマーカーの識別、脳ネットワークの破壊の分析、臨床医のための透明な洞察の提供によって、これらの障壁に対処するために登場した。 本稿では,認知症研究におけるXGNNの総合的研究について紹介する。 アルツハイマー病,パーキンソン病,軽度認知障害,多疾患診断における応用について検討した。 認知症関連タスクに適した説明可能性手法の分類法を紹介し, 臨床シナリオにおける既存モデルとの比較を行った。 また、限定的な一般化可能性、探索されていないドメイン、早期検出のためのLarge Language Models(LLMs)の統合といった課題も強調する。 本研究は、進歩とオープンな問題を概説することにより、認知症研究におけるXGNNの信頼性、臨床的に有意義、スケーラブルな活用に向けての今後の取り組みを導くことを目的としている。

関連論文リスト

• Flexible and Explainable Graph Analysis for EEG-based Alzheimer's Disease Classification [11.038002513199299]
  アルツハイマー病(英語: Alzheimer's Disease)は、認知症の最も一般的な形態の1つである進行性神経疾患である。 近年の研究では、脳波データを用いて、アルツハイマー病患者と健康な個人を区別するバイオマーカーを同定している。
  論文  参考訳（メタデータ） (2025-04-02T03:29:12Z)
• GKAN: Explainable Diagnosis of Alzheimer's Disease Using Graph Neural Network with Kolmogorov-Arnold Networks [0.6282459656801734]
  本稿では,Kolmogorov-Arnold Networks (KAN) を Graph Convolutional Networks (GCN) に統合し,診断精度と解釈可能性の向上を図る。 GCN-KANは、アルツハイマー病(AD)に関連する主要な脳領域の解釈可能な洞察を提供しながら、従来のGCNを4-8%の精度で上回る このアプローチは、早期AD診断のための堅牢で説明可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-04-01T16:31:00Z)
• 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)
• Brain-Aware Readout Layers in GNNs: Advancing Alzheimer's early Detection and Neuroimaging [1.074960192271861]
  本研究では,グラフニューラルネットワーク(GNN)のための新しい脳認識読み出し層(BA読み出し層)を提案する。 機能的接続とノード埋め込みに基づく脳領域のクラスタリングによって、このレイヤは、複雑な脳ネットワーク特性をキャプチャするGNNの機能を改善する。 以上の結果から,BA読み出し層を有するGNNは,プレクリニカルアルツハイマー認知複合度(PACC)の予測において,従来のモデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-10-03T05:04:45Z)
• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)
• Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders [10.12649945620901]
  病気特異的なコネクトロミックベンチマークを検出するためのマルチレゾリューションエッジネットワーク(MENET)を提案する。 MENETは診断ラベルを正確に予測し、神経疾患と関連性の高い脳の結合性を識別する。
  論文  参考訳（メタデータ） (2019-12-03T03:46:14Z)

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。