論文の概要: KOCOBrain: Kuramoto-Guided Graph Network for Uncovering Structure-Function Coupling in Adolescent Prenatal Drug Exposure

• arxiv url: http://arxiv.org/abs/2601.11018v1
• Date: Fri, 16 Jan 2026 06:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.372813
• Title: KOCOBrain: Kuramoto-Guided Graph Network for Uncovering Structure-Function Coupling in Adolescent Prenatal Drug Exposure
• Title（参考訳）: KoCOBrain: 若年期出生前薬物曝露における構造結合の解明のための内蔵本ガイドグラフネットワーク
• Authors: Badhan Mazumder, Lei Wu, Sir-Lord Wiafe, Vince D. Calhoun, Dong Hye Ye,
• Abstract要約: 大麻のような妊娠中の精神活性物質は、神経発達を妨害し、大規模な脳ネットワークを改変することがあるが、その神経の署名を特定することは依然として困難である。 KOCOBrain: Kuramoto Coupled Brain Graph Networkは, 構造的および機能的コネクトームを内蔵した統合グラフニューラルネットワークフレームワークである。
• 参考スコア（独自算出の注目度）: 17.634849401033794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exposure to psychoactive substances during pregnancy, such as cannabis, can disrupt neurodevelopment and alter large-scale brain networks, yet identifying their neural signatures remains challenging. We introduced KOCOBrain: KuramotO COupled Brain Graph Network; a unified graph neural network framework that integrates structural and functional connectomes via Kuramoto-based phase dynamics and cognition-aware attention. The Kuramoto layer models neural synchronization over anatomical connections, generating phase-informed embeddings that capture structure-function coupling, while cognitive scores modulate information routing in a subject-specific manner followed by a joint objective enhancing robustness under class imbalance scenario. Applied to the ABCD cohort, KOCOBrain improved prenatal drug exposure prediction over relevant baselines and revealed interpretable structure-function patterns that reflect disrupted brain network coordination associated with early exposure.
• Abstract（参考訳）: 大麻のような妊娠中の精神活性物質への曝露は、神経発達を阻害し、大規模な脳ネットワークを改変する可能性があるが、彼らの神経のサインを特定することは依然として困難である。 KOCOBrain: Kuramoto Coupled Brain Graph Networkは, 構造的および機能的コネクトームを内蔵した統合グラフニューラルネットワークフレームワークである。 倉本層は、解剖学的な接続上でのニューラル同期をモデル化し、構造-機能結合を捉えた位相インフォームド埋め込みを生成し、認知スコアは主観的な方法で情報ルーティングを変調し、次いでクラス不均衡シナリオ下で強靭な強靭性を示す。 ABCDコホートに応用したKOCOBrainは、関連する基準線上での出生前薬物曝露予測を改善し、早期曝露に伴う脳ネットワークの混乱を反映する解釈可能な構造-機能パターンを明らかにした。

関連論文リスト

• NeuroKoop: Neural Koopman Fusion of Structural-Functional Connectomes for Identifying Prenatal Drug Exposure in Adolescents [16.234161445781663]
  我々は、構造的および機能的脳ネットワークを統合する新しいグラフニューラルネットワークベースのフレームワークであるNeuroKoopを紹介する。 NeuroKoopは、ソースベースモルフォメトリー(SBM)とファンクショナルネットワーク接続(FNC)ベースの脳グラフから派生したノード埋め込みを統一する。
  論文  参考訳（メタデータ） (2025-08-22T14:25:19Z)
• NeuroTree: Hierarchical Functional Brain Pathway Decoding for Mental Health Disorders [8.204402796073824]
  我々は、k-hop AGE-GCNとニューラル常微分方程式(ODE)とコントラッシブマスク機能接続(CMFC)を統合した学習可能なNeuroTreeフレームワークを提案する。 NeuroTreeはfMRIネットワーク機能を木構造に効果的にデコードし、高次脳局所経路の特徴の捕捉を改善する。 これは、年齢に関連する劣化パターンに関する貴重な洞察を与え、その基盤となる神経機構を解明する。
  論文  参考訳（メタデータ） (2025-02-26T03:42:58Z)
• NeuroPath: A Neural Pathway Transformer for Joining the Dots of Human Connectomes [4.362614418491178]
  本稿では, FCのユビキタスインスタンスが, SCによって物理的に配線された神経経路(デトゥール)によってどのようにサポートされているかを明らかにするために, トポロジカルデトゥールの概念を導入する。 機械学習のclich'eでは、SC-FCカップリングの基礎となるマルチホップデトゥール経路により、新しいマルチヘッド自己保持機構を考案することができる。 バイオインスパイアされたニューロパス(NeuroPath)と呼ばれる深層モデルを提案し,これまでにない量のニューロイメージから有意な結合性特徴表現を求める。
  論文  参考訳（メタデータ） (2024-09-26T03:40:12Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Exploring General Intelligence via Gated Graph Transformer in Functional Connectivity Studies [39.82681427764513]
  Gated Graph Transformer (GGT) フレームワークは,機能的接続性(FC)に基づく認知的メトリクスの予測を目的としている フィラデルフィア神経発達コホート(PNC)に関する実証的検証は,我々のモデルにおいて優れた予測能力を示している。
  論文  参考訳（メタデータ） (2024-01-18T19:28:26Z)
• 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)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。