論文の概要: BrainIB++: Leveraging Graph Neural Networks and Information Bottleneck for Functional Brain Biomarkers in Schizophrenia

• arxiv url: http://arxiv.org/abs/2510.03004v1
• Date: Fri, 03 Oct 2025 13:48:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.405676
• Title: BrainIB++: Leveraging Graph Neural Networks and Information Bottleneck for Functional Brain Biomarkers in Schizophrenia
• Title（参考訳）: BrainIB++: 統合失調症における機能的脳バイオマーカーのためのグラフニューラルネットワークと情報基盤の活用
• Authors: Tianzheng Hu, Qiang Li, Shu Liu, Vince D. Calhoun, Guido van Wingen, Shujian Yu,
• Abstract要約: 我々はBrainIB++というエンドツーエンドの革新的なグラフニューラルネットワークフレームワークを紹介した。 情報ボトルネック(IB)の原則を適用し、解釈のためのモデルトレーニング中に最も情報に富むデータ駆動脳領域をサブグラフとして識別する。 常に優れた診断精度を示し、目に見えないデータに対する一般化性を示す。
• 参考スコア（独自算出の注目度）: 39.93169994373157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of diagnostic models is gaining traction in the field of psychiatric disorders. Recently, machine learning classifiers based on resting-state functional magnetic resonance imaging (rs-fMRI) have been developed to identify brain biomarkers that differentiate psychiatric disorders from healthy controls. However, conventional machine learning-based diagnostic models often depend on extensive feature engineering, which introduces bias through manual intervention. While deep learning models are expected to operate without manual involvement, their lack of interpretability poses significant challenges in obtaining explainable and reliable brain biomarkers to support diagnostic decisions, ultimately limiting their clinical applicability. In this study, we introduce an end-to-end innovative graph neural network framework named BrainIB++, which applies the information bottleneck (IB) principle to identify the most informative data-driven brain regions as subgraphs during model training for interpretation. We evaluate the performance of our model against nine established brain network classification methods across three multi-cohort schizophrenia datasets. It consistently demonstrates superior diagnostic accuracy and exhibits generalizability to unseen data. Furthermore, the subgraphs identified by our model also correspond with established clinical biomarkers in schizophrenia, particularly emphasizing abnormalities in the visual, sensorimotor, and higher cognition brain functional network. This alignment enhances the model's interpretability and underscores its relevance for real-world diagnostic applications.
• Abstract（参考訳）: 診断モデルの開発は精神疾患の分野で勢いを増している。 近年,安静時機能的磁気共鳴画像(rs-fMRI)に基づく機械学習分類器が開発され,精神疾患と健康管理を区別する脳バイオマーカーが同定されている。 しかし、従来の機械学習ベースの診断モデルは、手作業によるバイアスをもたらす広範な特徴工学に依存していることが多い。 深層学習モデルは手動で行うことが期待されているが、その解釈可能性の欠如は、診断決定をサポートするための説明可能で信頼性の高い脳バイオマーカーを得る上で大きな課題となり、最終的に臨床応用性が制限される。 本研究では、情報ボトルネック(IB)の原理を適用し、解釈のためのモデルトレーニング中に最も情報に富むデータ駆動型脳領域をサブグラフとして識別する、エンドツーエンドの革新的なグラフニューラルネットワークフレームワークBrainIB++を紹介する。 マルチコホート型統合失調症データセットの9つの確立された脳ネットワーク分類法に対して,本モデルの有効性を評価した。 常に優れた診断精度を示し、目に見えないデータに対する一般化性を示す。 さらに,本モデルでは,統合失調症における確立した臨床バイオマーカー,特に視覚,感覚運動,高次認知脳機能ネットワークの異常を強調した。 このアライメントは、モデルの解釈可能性を高め、実際の診断アプリケーションに対するその妥当性を裏付ける。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• 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)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Classification of ADHD Patients Using Kernel Hierarchical Extreme Learning Machine [3.39487428163997]
  我々は、脳機能接続のダイナミクスを利用して、医療画像データの特徴をモデル化する。 その結果,最先端モデルよりも優れた分類率を得た。
  論文  参考訳（メタデータ） (2022-06-28T05:17:54Z)
• BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck [38.281423869037575]
  機能的磁気共鳴画像(fMRI)解析のための新しいグラフニューラルネットワーク(GNN)フレームワークBrainIBを提案する。 BrainIBは、脳内の最も情報に富むエッジ(つまり、部分グラフ)を識別し、目に見えないデータにうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-05-07T09:35:23Z)
• 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)

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。