論文の概要: EVA-Net: Interpretable Brain Age Prediction via Continuous Aging Prototypes from EEG

• arxiv url: http://arxiv.org/abs/2511.15393v1
• Date: Wed, 19 Nov 2025 12:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.8039
• Title: EVA-Net: Interpretable Brain Age Prediction via Continuous Aging Prototypes from EEG
• Title（参考訳）: EVA-Net:脳波からの連続的老化型による脳年齢予測
• Authors: Kunyu Zhang, Mingxuan Wang, Xiangjie Shi, Haoxing Xu, Chao Zhang,
• Abstract要約: EVA-Netは、脳年齢を解釈可能な異常検出問題として再放送する新しいフレームワークである。 1297人の健康な被験者で訓練され、最先端の精度を達成している。
• 参考スコア（独自算出の注目度）: 22.367684110764234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The brain age is a key indicator of brain health. While electroencephalography (EEG) is a practical tool for this task, existing models struggle with the common challenge of imperfect medical data, such as learning a ``normal'' baseline from weakly supervised, healthy-only cohorts. This is a critical anomaly detection task for identifying disease, but standard models are often black boxes lacking an interpretable structure. We propose EVA-Net, a novel framework that recasts brain age as an interpretable anomaly detection problem. EVA-Net uses an efficient, sparsified-attention Transformer to model long EEG sequences. To handle noise and variability in imperfect data, it employs a Variational Information Bottleneck to learn a robust, compressed representation. For interpretability, this representation is aligned to a continuous prototype network that explicitly learns the normative healthy aging manifold. Trained on 1297 healthy subjects, EVA-Net achieves state-of-the-art accuracy. We validated its anomaly detection capabilities on an unseen cohort of 27 MCI and AD patients. This pathological group showed significantly higher brain-age gaps and a novel Prototype Alignment Error, confirming their deviation from the healthy manifold. EVA-Net provides an interpretable framework for healthcare intelligence using imperfect medical data.
• Abstract（参考訳）: 脳の年齢は、脳の健康の重要な指標である。 脳電図(EEG)はこのタスクの実践的なツールであるが、既存のモデルでは、弱い教師付き健康的なコホートから「通常の」ベースラインを学ぶなど、不完全な医療データに関する一般的な課題に苦慮している。 これは病気を特定するための重要な異常検出タスクであるが、標準的なモデルは解釈可能な構造を持たないブラックボックスであることが多い。 本稿では,脳年齢を解釈可能な異常検出問題として再認識する新しいフレームワークであるEVA-Netを提案する。 EVA-Netは、長いEEGシーケンスをモデル化するために、効率的でスペーサー化されたアテンショントランスを使用する。 不完全データのノイズと可変性を扱うため、変動情報ボトルネックを用いて、頑健で圧縮された表現を学習する。 解釈可能性について、この表現は、規範的健全な老化多様体を明示的に学習する連続プロトタイプネットワークに整列する。 EVA-Netは、健康な被験者1297名を対象に訓練され、最先端の精度を達成している。 健常者27名とAD患者27名を対象に, 異常検出能の検証を行った。 この病理組織群は,脳年齢差が有意に高く,新しい原型アライメントエラーが出現し,健常多様体との偏差が確認された。 EVA-Netは、不完全な医療データを使用した医療インテリジェンスのための解釈可能なフレームワークを提供する。

関連論文リスト

• xEEGNet: Towards Explainable AI in EEG Dementia Classification [0.0]
  xEEGNetは、EEGデータ分析のための、新しくてコンパクトで説明可能なニューラルネットワークである。 完全に解釈可能で、大きなパラメータ還元によって過度に適合する。 xEEGNetはスペクトル変化を含む他の神経学的条件に広く適用されている。
  論文  参考訳（メタデータ） (2025-04-30T09:24:50Z)
• Unsupervised contrastive analysis for anomaly detection in brain MRIs via conditional diffusion models [13.970483987621135]
  本研究では、健康な画像に対して自己教師付きコントラストエンコーダを訓練することにより、再建品質を改善するための教師なしフレームワークを提案する。 これらの特徴は、拡散モデルを用いて、与えられた画像の健全な外観を再構成し、画素ワイド比較による解釈可能な異常な局所化を可能にする。
  論文  参考訳（メタデータ） (2024-06-02T15:19:07Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• 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)
• Automated Detection of Abnormal EEGs in Epilepsy With a Compact and Efficient CNN Model [9.152759278163954]
  本稿では,脳波の異常時間間隔と電極を検出するための,コンパクトで効率的な畳み込みニューラルネットワーク(CNN)の開発について述べる。 EEGNetとは異なり、提案モデルであるmEEGNetは同じ数の電極入力と出力を持ち、異常を検出する。 その結果、mEEGNetは、曲線下における異常脳波、F1値、および既存のCNNと同等以上の感度を検出できた。
  論文  参考訳（メタデータ） (2021-05-21T16:52:56Z)
• ICAM-reg: Interpretable Classification and Regression with Feature Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
  本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。 Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。 本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
  論文  参考訳（メタデータ） (2021-03-03T17:55:14Z)

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。