論文の概要: Integrating Causal Inference with Graph Neural Networks for Alzheimer's Disease Analysis
- arxiv url: http://arxiv.org/abs/2511.14922v1
- Date: Tue, 18 Nov 2025 21:22:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.535997
- Title: Integrating Causal Inference with Graph Neural Networks for Alzheimer's Disease Analysis
- Title（参考訳）: アルツハイマー病解析のためのグラフニューラルネットワークによる因果推論の統合
- Authors: Pranay Kumar Peddi, Dhrubajyoti Ghosh,
- Abstract要約: Causal-GCNは、do-calculusベースのバックドア調整を統合する介入グラフ畳み込みフレームワークである。
ADNIコホートから484名の被験者に適用されるCausal-GCNは、ベースラインのGNNに匹敵するパフォーマンスを達成している。
- 参考スコア（独自算出の注目度）: 0.17188280334580194
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep graph learning has advanced Alzheimer's (AD) disease classification from MRI, but most models remain correlational, confounding demographic and genetic factors with disease specific features. We present Causal-GCN, an interventional graph convolutional framework that integrates do-calculus-based back-door adjustment to identify brain regions exerting stable causal influence on AD progression. Each subject's MRI is represented as a structural connectome where nodes denote cortical and subcortical regions and edges encode anatomical connectivity. Confounders such as age, sec, and APOE4 genotype are summarized via principal components and included in the causal adjustment set. After training, interventions on individual regions are simulated by serving their incoming edges and altering node features to estimate average causal effects on disease probability. Applied to 484 subjects from the ADNI cohort, Causal-GCN achieves performance comparable to baseline GNNs while providing interpretable causal effect rankings that highlight posterior, cingulate, and insular hubs consistent with established AD neuropathology.
- Abstract（参考訳）: ディープグラフラーニングは、MRIからアルツハイマー病(AD)の分類を進歩させたが、ほとんどのモデルは、疾患特有の特徴を持つ人口統計学的および遺伝学的要因との相関関係を保ったままである。
本稿では,AD進行に安定した因果的影響を及ぼす脳領域を特定するために,do-calculus-based back-door adjustを統合した介入グラフ畳み込みフレームワークCausal-GCNを提案する。
それぞれの被験者のMRIは、皮質および皮質下領域と解剖学的接続をコードするエッジを表す構造的コネクトームとして表現される。
年齢、セク、APOE4 ゲノタイプといった共同創設者は、主成分を通して要約され、因果調整セットに含まれている。
訓練後、個々の領域への介入は、入力エッジを提供し、ノードの特徴を変化させて、疾患の確率に対する平均因果効果を推定することによってシミュレートされる。
ADNIコホートから484名の被験者に適用されたCausal-GCNは、標準GNNに匹敵するパフォーマンスを達成し、既存のAD神経病理と整合した後部、帯状、およびinsular hubをハイライトする解釈可能な因果効果ランキングを提供する。
関連論文リスト
- Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。
本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。
VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文 参考訳（メタデータ） (2025-10-14T17:44:45Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。
香港在住の高齢者97名を対象に,この課題の有効性について検討した。
本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
論文 参考訳（メタデータ） (2025-06-10T16:58:47Z) - Refined Causal Graph Structure Learning via Curvature for Brain Disease Classification [5.135525907581342]
脳疾患の分類・検出のための新しいフレームワークCGB(Causal Graphs for Brains)を提案する。
CGBは、脳疾患の分類性能を高めるために重要な情報をもたらすROI間の因果関係を明らかにする。
実験の結果,脳疾患データセットの分類作業において,CGBは最先端の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-05-30T10:50:45Z) - GKAN: Explainable Diagnosis of Alzheimer's Disease Using Graph Neural Network with Kolmogorov-Arnold Networks [0.6282459656801734]
本稿では,Kolmogorov-Arnold Networks (KAN) を Graph Convolutional Networks (GCN) に統合し,診断精度と解釈可能性の向上を図る。
GCN-KANは、アルツハイマー病(AD)に関連する主要な脳領域の解釈可能な洞察を提供しながら、従来のGCNを4-8%の精度で上回る
このアプローチは、早期AD診断のための堅牢で説明可能なツールを提供する。
論文 参考訳（メタデータ） (2025-04-01T16:31:00Z) - Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of
Alzheimer's Disease using EEG Data [9.601125513491835]
本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。
AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
論文 参考訳（メタデータ） (2023-04-12T14:13:09Z) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳（メタデータ） (2023-01-26T20:45:30Z) - 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) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳（メタデータ） (2020-03-24T01:56:50Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。