論文の概要: Variational Mixture of Graph Neural Experts for Alzheimer's Disease Biomarker Recognition in EEG Brain Networks
- arxiv url: http://arxiv.org/abs/2510.11917v1
- Date: Mon, 13 Oct 2025 20:37:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-15 21:19:14.958352
- Title: Variational Mixture of Graph Neural Experts for Alzheimer's Disease Biomarker Recognition in EEG Brain Networks
- Title（参考訳）: 脳波脳ネットワークにおけるアルツハイマー病バイオマーカー認識のためのグラフ神経エキスパートの変異混合
- Authors: Jun-En Ding, Anna Zilverstand, Shihao Yang, Albert Chih-Chieh Yang, Feng Liu,
- Abstract要約: 既存のEEGベースの手法は、フルバンド周波数解析によって制限される。
本稿では,周波数特異的バイオマーカー同定を統合したグラフニューラルネットワーク専門家(VMoGE)の変分混合を提案する。
VMoGEは、最先端のメソッドよりもAUCが+4%から+10%改善したことにより、優れたパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 6.727599092628398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dementia disorders such as Alzheimer's disease (AD) and frontotemporal dementia (FTD) exhibit overlapping electrophysiological signatures in EEG that challenge accurate diagnosis. Existing EEG-based methods are limited by full-band frequency analysis that hinders precise differentiation of dementia subtypes and severity stages. We propose a variational mixture of graph neural experts (VMoGE) that integrates frequency-specific biomarker identification with structured variational inference for enhanced dementia diagnosis and staging. VMoGE employs a multi-granularity transformer to extract multi-scale temporal patterns across four frequency bands, followed by a variational graph convolutional encoder using Gaussian Markov Random Field priors. Through structured variational inference and adaptive gating, VMoGE links neural specialization to physiologically meaningful EEG frequency bands. Evaluated on two diverse datasets for both subtype classification and severity staging, VMoGE achieves superior performance with AUC improvements of +4% to +10% over state-of-the-art methods. Moreover, VMoGE provides interpretable insights through expert weights that correlate with clinical indicators and spatial patterns aligned with neuropathological signatures, facilitating EEG biomarker discovery for comprehensive dementia diagnosis and monitoring.
- Abstract（参考訳）: アルツハイマー病(AD)や前頭側頭型認知症(FTD)などの認知症は脳波に重なり、正確な診断に挑戦する。
既存の脳波に基づく手法は、認知症サブタイプと重症度ステージの正確な分化を妨げるフルバンド周波数分析によって制限されている。
本稿では、周波数特異的バイオマーカー同定と構造的変分推論を統合し、認知症診断とステージングを強化するグラフニューラルネットワークエキスパート(VMoGE)の変分混合を提案する。
VMoGEは、4つの周波数帯域にまたがるマルチスケールの時間パターンを抽出するためにマルチグラニュラリティ変換器を使用し、続いてガウスマルコフ確率場を用いた変分グラフ畳み込みエンコーダを用いる。
構造的変動推論と適応的ゲーティングを通じて、VMoGEは神経の特殊化と生理学的に有意な脳波周波数帯域をリンクする。
VMoGEは、サブタイプ分類と重大ステージングの両方のための2つの多様なデータセットに基づいて評価され、最先端の手法よりもAUCが+4%から+10%改善したことにより、優れたパフォーマンスを実現している。
さらに、VMoGEは、臨床指標と神経病理学的シグネチャに沿った空間パターンとを関連付ける専門家の重みを通して解釈可能な洞察を提供し、包括的認知症診断とモニタリングのための脳波バイオマーカーの発見を容易にする。
関連論文リスト
- EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation [45.031633614714]
EEG-MedRAGは3層ハイパーグラフに基づく検索拡張生成フレームワークである。
EEGドメイン知識、個々の患者ケース、大規模リポジトリをトラバース可能なn-aryリレーショナルハイパーグラフに統合する。
第1回クロスリリース・クロスロールEEG臨床QAベンチマークを,7つの障害と5つの臨床的観点から紹介した。
論文 参考訳（メタデータ） (2025-08-19T11:12:58Z) - BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。
多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。
EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
論文 参考訳（メタデータ） (2025-05-18T14:07:14Z) - 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) - EEG-MACS: Manifold Attention and Confidence Stratification for EEG-based Cross-Center Brain Disease Diagnosis under Unreliable Annotations [12.079438742832371]
センター間のデータの異質性とアノテーションは、脳信号を用いた疾患のインテリジェントな診断に大きく挑戦する。
神経変性疾患の診断にMACS(Manifold Attention and Confidence Stratification)を用いた枠組みを導入する。
神経認知障害と運動障害の両方を中心コーパスを用いて対象非依存に実験し,既存のアルゴリズムと比較して優れた性能を示した。
論文 参考訳（メタデータ） (2024-04-29T10:08:43Z) - Power Spectral Density-Based Resting-State EEG Classification of
First-Episode Psychosis [1.3416169841532526]
脳の異常活動パターンの同定における刺激非依存型脳波の有用性を示す。
複数の周波数帯域を組み込んだ一般化モデルでは、脳波バイオマーカーとFEP(First-Episode Psychosis)を関連付けるのがより効率的である。
本稿では,PSD解析における前処理手法の総合的な考察と,異なるモデルの詳細な比較について述べる。
論文 参考訳（メタデータ） (2022-11-23T00:28:41Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳（メタデータ） (2022-07-04T13:15:08Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳（メタデータ） (2022-03-12T15:24:03Z) - 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) - 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)
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。