論文の概要: Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2510.03351v1
• Date: Thu, 02 Oct 2025 19:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.921241
• Title: Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks
• Title（参考訳）: 概念誘導型グラフニューラルネットワークによる解釈可能な神経精神医学診断
• Authors: Song Wang, Zhenyu Lei, Zhen Tan, Jundong Li, Javier Rasero, Aiying Zhang, Chirag Agarwal,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.75602443936853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nearly one in five adolescents currently live with a diagnosed mental or behavioral health condition, such as anxiety, depression, or conduct disorder, underscoring the urgency of developing accurate and interpretable diagnostic tools. Resting-state functional magnetic resonance imaging (rs-fMRI) provides a powerful lens into large-scale functional connectivity, where brain regions are modeled as nodes and inter-regional synchrony as edges, offering clinically relevant biomarkers for psychiatric disorders. While prior works use graph neural network (GNN) approaches for disorder prediction, they remain complex black-boxes, limiting their reliability and clinical translation. In this work, we propose CONCEPTNEURO, a concept-based diagnosis framework that leverages large language models (LLMs) and neurobiological domain knowledge to automatically generate, filter, and encode interpretable functional connectivity concepts. Each concept is represented as a structured subgraph linking specific brain regions, which are then passed through a concept classifier. Our design ensures predictions through clinically meaningful connectivity patterns, enabling both interpretability and strong predictive performance. Extensive experiments across multiple psychiatric disorder datasets demonstrate that CONCEPTNEURO-augmented GNNs consistently outperform their vanilla counterparts, improving accuracy while providing transparent, clinically aligned explanations. Furthermore, concept analyses highlight disorder-specific connectivity patterns that align with expert knowledge and suggest new hypotheses for future investigation, establishing CONCEPTNEURO as an interpretable, domain-informed framework for psychiatric disorder diagnosis.
• Abstract（参考訳）: 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おり、正確で解釈可能な診断ツールの開発の緊急性を強調している。 静止状態機能磁気共鳴イメージング(rs-fMRI)は、脳の領域をノードとして、地域間同期をエッジとしてモデル化し、精神疾患に対する臨床的に関連するバイオマーカーを提供する、大規模な機能接続に強力なレンズを提供する。 以前の研究では、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、それらは複雑な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,大言語モデル(LLM)と神経生物学領域の知識を活用して,解釈可能な機能接続概念を自動生成,フィルタリング,エンコードする概念ベースの診断フレームワークであるConCEPTNEUROを提案する。 各概念は、特定の脳領域をリンクする構造化サブグラフとして表現され、その後概念分類器に渡される。 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。 複数の精神障害データセットにわたる広範囲な実験により、ConCEPTNEUROで強化されたGNNは、常にバニラよりも優れており、透過的で臨床的に整合した説明を提供しながら、正確性を向上させることが示されている。 さらに、概念分析は、専門知識と整合した障害特異的接続パターンを強調し、将来の研究のための新たな仮説を提案し、精神疾患診断のための解釈可能なドメインインフォームドフレームワークとしてCONCEPTNEUROを確立する。

関連論文リスト

• BrainIB++: Leveraging Graph Neural Networks and Information Bottleneck for Functional Brain Biomarkers in Schizophrenia [39.93169994373157]
  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。
  論文  参考訳（メタデータ） (2025-10-03T13:48:15Z)
• Explainable Graph Neural Networks: Understanding Brain Connectivity and Biomarkers in Dementia [8.97624586025435]
  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。
  論文  参考訳（メタデータ） (2025-09-23T02:52:00Z)
• 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)
• 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)
• Exploring General Intelligence via Gated Graph Transformer in Functional Connectivity Studies [39.82681427764513]
  Gated Graph Transformer (GGT) フレームワークは,機能的接続性(FC)に基づく認知的メトリクスの予測を目的としている フィラデルフィア神経発達コホート(PNC)に関する実証的検証は,我々のモデルにおいて優れた予測能力を示している。
  論文  参考訳（メタデータ） (2024-01-18T19:28:26Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• 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)
• Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
  ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。 この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
  論文  参考訳（メタデータ） (2022-03-30T13:07:41Z)

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。