論文の概要: Foundation and Large-Scale AI Models in Neuroscience: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2510.16658v1
• Date: Sat, 18 Oct 2025 22:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.084228
• Title: Foundation and Large-Scale AI Models in Neuroscience: A Comprehensive Review
• Title（参考訳）: 神経科学の基礎と大規模AIモデル:包括的レビュー
• Authors: Shihao Yang, Xiying Huang, Danilo Bernardo, Jun-En Ding, Andrew Michael, Jingmei Yang, Patrick Kwan, Ashish Raj, Feng Liu,
• Abstract要約: 大規模人工知能(AI)モデルの出現は神経科学研究に変革をもたらす。 本稿では,5つの主要な神経科学領域に対する大規模AIモデルの変換効果について検討する。
• 参考スコア（独自算出の注目度）: 5.853788810213108
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The advent of large-scale artificial intelligence (AI) models has a transformative effect on neuroscience research, which represents a paradigm shift from the traditional computational methods through the facilitation of end-to-end learning from raw brain signals and neural data. In this paper, we explore the transformative effects of large-scale AI models on five major neuroscience domains: neuroimaging and data processing, brain-computer interfaces and neural decoding, molecular neuroscience and genomic modeling, clinical assistance and translational frameworks, and disease-specific applications across neurological and psychiatric disorders. These models are demonstrated to address major computational neuroscience challenges, including multimodal neural data integration, spatiotemporal pattern interpretation, and the derivation of translational frameworks for clinical deployment. Moreover, the interaction between neuroscience and AI has become increasingly reciprocal, as biologically informed architectural constraints are now incorporated to develop more interpretable and computationally efficient models. This review highlights both the notable promise of such technologies and key implementation considerations, with particular emphasis on rigorous evaluation frameworks, effective domain knowledge integration, and comprehensive ethical guidelines for clinical use. Finally, a systematic listing of critical neuroscience datasets used to derive and validate large-scale AI models across diverse research applications is provided.
• Abstract（参考訳）: 大規模人工知能(AI)モデルの出現は、従来の計算手法から、生の脳信号や神経データからのエンドツーエンド学習の促進までのパラダイムシフトを表す神経科学研究に変革をもたらす。 本稿では,脳画像とデータ処理,脳-コンピュータインタフェースとニューロデコーディング,分子神経科学とゲノムモデリング,臨床補助と翻訳の枠組み,神経学的および精神医学的障害に対する疾患特異的な応用の5つの主要な神経科学領域に対する大規模AIモデルの変換効果について検討する。 これらのモデルは、多モーダルニューラルネットワークの統合、時空間パターン解釈、臨床展開のための翻訳フレームワークの派生など、主要な計算神経科学の課題に対処するために実証されている。 さらに、生物学的に情報を得たアーキテクチャ制約が、より解釈可能で計算効率の良いモデルを開発するために組み込まれているため、神経科学とAIの相互作用は相反する傾向にある。 本総説では, 厳格な評価フレームワーク, 効果的なドメイン知識の統合, 臨床応用のための包括的倫理的ガイドラインに重点を置くとともに, そうした技術の目覚しい約束と重要な実装上の考察の両方を強調した。 最後に、さまざまな研究応用にわたる大規模AIモデルの導出と検証に使用される重要な神経科学データセットの体系的なリストを提供する。

関連論文リスト

• Artificial intelligence as a surrogate brain: Bridging neural dynamical models and data [9.300290334520481]
  人工知能(AI)の最近の進歩は、脳の計算的側面を構築する方法を変えつつある。 我々は、フォワードモデリング、逆問題解決、モデル評価を統合したAIベースの代理脳を構築する統一的な枠組みを導入する。 我々は、学習した代理脳が、力学系解析、仮想摂動、モデル誘導神経刺激のシミュレーションプラットフォームとして機能していることを強調した。
  論文  参考訳（メタデータ） (2025-10-11T18:23:10Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Shifting Attention to You: Personalized Brain-Inspired AI Models [3.0128071072792366]
  人間の行動洞察とミリ秒スケールのニューラルネットワークを微調整CLIPベースモデルに統合することで、修正されていないCLIPベースラインと比較して、行動性能が2倍になることを示す。 我々の研究は、適応型AIシステムを設計するための、新しい解釈可能なフレームワークを確立し、神経科学、パーソナライズドメディカル、人間とコンピュータの相互作用に幅広い意味を持つ。
  論文  参考訳（メタデータ） (2025-02-07T04:55:31Z)
• A Review of Latent Representation Models in Neuroimaging [0.0]
  ラテント表現モデルは、高次元のニューロイメージングデータを低次元のラテント空間に還元するように設計されている。 これらの潜伏空間をモデル化することで、研究者は脳の生物学と機能に関する洞察を得ることを望んでいる。 本総説では, 疾患診断や進行モニタリングなどの臨床応用だけでなく, 基礎的脳機構の解明にもこれらのモデルが用いられていることを論じる。
  論文  参考訳（メタデータ） (2024-12-24T19:12:11Z)
• Neural Dynamics Model of Visual Decision-Making: Learning from Human Experts [28.340344705437758]
  視覚入力から行動出力まで,包括的な視覚的意思決定モデルを実装した。 我々のモデルは人間の行動と密接に一致し、霊長類の神経活動を反映する。 ニューロイメージング・インフォームド・ファインチューニング手法を導入し、モデルに適用し、性能改善を実現した。
  論文  参考訳（メタデータ） (2024-09-04T02:38:52Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Promises and pitfalls of deep neural networks in neuroimaging-based psychiatric research [0.9449650062296824]
  ディープニューラルネットワーク、特に畳み込みニューラルネットワークは、医療画像の強力なツールへと進化してきた。 ここでは、まず、方法論的鍵概念と結果の方法論的約束について紹介する。 神経画像に基づく精神医学研究における最近の応用を振り返り、現在の課題について論じる。
  論文  参考訳（メタデータ） (2023-01-20T12:05:59Z)

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。