論文の概要: A Multimodal Approach to Alzheimer's Diagnosis: Geometric Insights from Cube Copying and Cognitive Assessments

• arxiv url: http://arxiv.org/abs/2512.16184v1
• Date: Thu, 18 Dec 2025 05:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.922189
• Title: A Multimodal Approach to Alzheimer's Diagnosis: Geometric Insights from Cube Copying and Cognitive Assessments
• Title（参考訳）: アルツハイマー病診断へのマルチモーダルアプローチ:キューブコピーと認知評価からの幾何学的考察
• Authors: Jaeho Yang, Kijung Yoon,
• Abstract要約: 本研究は手書きの立方体スケッチをグラフ構造表現に変換するフレームワークを提案する。 その結果、グラフベースの表現は強い単調なベースラインを提供し、画素ベースの畳み込みモデルを大幅に上回ることを示した。 その結果、アルツハイマー病スクリーニングのための解釈可能で非侵襲的でスケーラブルなアプローチとして、立方体コピーのグラフベースの解析が確立された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early and accessible detection of Alzheimer's disease (AD) remains a critical clinical challenge, and cube-copying tasks offer a simple yet informative assessment of visuospatial function. This work proposes a multimodal framework that converts hand-drawn cube sketches into graph-structured representations capturing geometric and topological properties, and integrates these features with demographic information and neuropsychological test (NPT) scores for AD classification. Cube drawings are modeled as graphs with node features encoding spatial coordinates, local graphlet-based topology, and angular geometry, which are processed using graph neural networks and fused with age, education, and NPT features in a late-fusion model. Experimental results show that graph-based representations provide a strong unimodal baseline and substantially outperform pixel-based convolutional models, while multimodal integration further improves performance and robustness to class imbalance. SHAP-based interpretability analysis identifies specific graphlet motifs and geometric distortions as key predictors, closely aligning with clinical observations of disorganized cube drawings in AD. Together, these results establish graph-based analysis of cube copying as an interpretable, non-invasive, and scalable approach for Alzheimer's disease screening.
• Abstract（参考訳）: 早期かつアクセス可能なアルツハイマー病(AD)の検出は、依然として重要な臨床課題であり、立方体コピータスクは、視覚空間機能の単純かつ有益な評価を提供する。 本研究では,手描きの立方体スケッチを幾何学的および位相的特性を捉えたグラフ構造化表現に変換するマルチモーダルフレームワークを提案し,これらの特徴をAD分類のための統計情報と神経心理学的テスト(NPT)スコアと統合する。 キューブ描画は、空間座標、局所グラフレットベースのトポロジー、および角幾何学を符号化したノード特徴を持つグラフとしてモデル化され、グラフニューラルネットワークを用いて処理され、遅延融合モデルにおいて年齢、教育、NTT特徴と融合する。 実験結果から,グラフベースの表現は強い単調なベースラインを提供し,画素ベースの畳み込みモデルよりも大幅に優れており,マルチモーダル統合はクラス不均衡に対する性能と堅牢性をさらに向上させることが示された。 SHAPに基づく解釈可能性分析は,ADの分解された立方体図面の臨床的観察と密接に一致して,特定のグラフレットモチーフと幾何学的歪みを重要な予測因子として同定する。 これらの結果は、アルツハイマー病スクリーニングのための解釈可能で非侵襲的でスケーラブルなアプローチとして、立方体コピーのグラフベースの解析を確立した。

関連論文リスト

• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis [12.899767824635433]
  双曲幾何学に基づく幾何学的深層学習フレームワークBrain-HGCNを提案する。 精神疾患分類のための2つの大規模fMRIデータセットの実験は、我々のアプローチが最先端のユークリッドベースラインを大きく上回っていることを示している。 この研究は、fMRI分析のための新しい幾何学的深層学習パラダイムを開拓し、計算心理学の分野における双曲型GNNの潜在可能性を強調した。
  論文  参考訳（メタデータ） (2025-09-18T13:55:02Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
  本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。 提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。 我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2023-11-13T14:36:29Z)
• Spatial Temporal Graph Convolution with Graph Structure Self-learning for Early MCI Detection [9.11430195887347]
  本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。 The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
  論文  参考訳（メタデータ） (2022-11-11T12:29:00Z)
• A Comparative Study of Graph Neural Networks for Shape Classification in Neuroimaging [17.775145204666874]
  ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。 ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。 以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
  論文  参考訳（メタデータ） (2022-10-29T19:03:01Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• 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。