論文の概要: Large Connectome Model: An fMRI Foundation Model of Brain Connectomes Empowered by Brain-Environment Interaction in Multitask Learning Landscape

• arxiv url: http://arxiv.org/abs/2510.18910v1
• Date: Tue, 21 Oct 2025 03:50:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.231039
• Title: Large Connectome Model: An fMRI Foundation Model of Brain Connectomes Empowered by Brain-Environment Interaction in Multitask Learning Landscape
• Title（参考訳）: 大規模コネクトームモデル:マルチタスク学習景観における脳環境相互作用を利用した脳コネクトームのfMRI基礎モデル
• Authors: Ziquan Wei, Tingting Dan, Guorong Wu,
• Abstract要約: 機能神経画像の基礎モデルは臨床応用を促進するために重要である。 我々は、豊かな環境変数と人口統計データを活用することで、マルチタスク学習としての脳モデルを構築した。 我々は、性予知、人間の行動認識、自閉症の早期診断、パーキンソン病、アルツハイマー病、統合失調症など、様々な応用に関する基礎モデルを評価した。
• 参考スコア（独自算出の注目度）: 12.920888696520366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A reliable foundation model of functional neuroimages is critical to promote clinical applications where the performance of current AI models is significantly impeded by a limited sample size. To that end, tremendous efforts have been made to pretraining large models on extensive unlabeled fMRI data using scalable self-supervised learning. Since self-supervision is not necessarily aligned with the brain-to-outcome relationship, most foundation models are suboptimal to the downstream task, such as predicting disease outcomes. By capitalizing on rich environmental variables and demographic data along with an unprecedented amount of functional neuroimages, we form the brain modeling as a multitask learning and present a scalable model architecture for (i) multitask pretraining by tokenizing multiple brain-environment interactions (BEI) and (ii) semi-supervised finetuning by assigning pseudo-labels of pretrained BEI. We have evaluated our foundation model on a variety of applications, including sex prediction, human behavior recognition, and disease early diagnosis of Autism, Parkinson's disease, Alzheimer's disease, and {Schizophrenia}, where promising results indicate the great potential to facilitate current neuroimaging applications in clinical routines.
• Abstract（参考訳）: 機能的神経画像の基礎モデルは、現在のAIモデルの性能が限られたサンプルサイズによって著しく阻害される臨床応用を促進するために重要である。 そのために、スケーラブルな自己教師付き学習を用いて、広範囲なラベル付けされていないfMRIデータに対する大規模なモデルの事前学習に多大な努力が払われている。 自己超越は必ずしも脳とアウトカムの関係に一致しないので、ほとんどの基礎モデルは、疾患の結果を予測するなど、下流の課題に最適である。 豊かな環境変数と人口統計データを前例のない量の機能的神経画像とともに活用することにより、脳のモデリングをマルチタスク学習として形成し、スケーラブルなモデルアーキテクチャを提案する。 (i)多重脳環境相互作用(BEI)のトークン化とマルチタスク事前訓練 (二 事前訓練したBEIの擬似ラベルを付与して半監督微調整すること。) 我々は、性予知、人間の行動認識、自閉症の早期診断、パーキンソン病、アルツハイマー病、統合失調症など、様々な応用に関する基礎モデルを評価した。

関連論文リスト

• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• 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)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Self-supervised multimodal neuroimaging yields predictive representations for a spectrum of Alzheimer's phenotypes [27.331511924585023]
  この研究は、マルチモーダル・ニューロイメージングデータから複数の表現を学習するための、新しいマルチスケール協調フレームワークを提案する。 本稿では,情報誘導バイアスの一般的な分類法を提案する。 自己教師型モデルでは,事前トレーニング中にラベルにアクセスすることなく,障害関連脳領域とマルチモーダルリンクを明らかにする。
  論文  参考訳（メタデータ） (2022-09-07T01:37:19Z)
• Multimodal foundation models are better simulators of the human brain [65.10501322822881]
  1500万の画像テキストペアを事前訓練した,新たに設計されたマルチモーダル基礎モデルを提案する。 視覚的エンコーダも言語的エンコーダもマルチモーダルで訓練され,脳に近いことが判明した。
  論文  参考訳（メタデータ） (2022-08-17T12:36:26Z)
• DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications [0.9999629695552196]
  本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。 本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
  論文  参考訳（メタデータ） (2022-03-17T05:42:00Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。