論文の概要: A Cautionary Tale of Self-Supervised Learning for Imaging Biomarkers: Alzheimer's Disease Case Study
- arxiv url: http://arxiv.org/abs/2601.16467v1
- Date: Fri, 23 Jan 2026 05:55:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-26 14:27:27.558741
- Title: A Cautionary Tale of Self-Supervised Learning for Imaging Biomarkers: Alzheimer's Disease Case Study
- Title（参考訳）: バイオマーカーイメージングのための自己監督学習の注意点--アルツハイマー病の事例研究
- Authors: Maxwell Reynolds, Chaitanya Srinivasan, Vijay Cherupally, Michael Leone, Ke Yu, Li Sun, Tigmanshu Chaudhary, Andreas Pfenning, Kayhan Batmanghelich,
- Abstract要約: 自己教師付き学習は、同じデータからより強力なバイオマーカーを発見できる。
補助的なFreeSurfer機能を統合する新しいSSLフレームワークであるResidual Noise Contrastive Estimation (R-NCE)を紹介する。
R-NCEは、アルツハイマー病の変換予測など、複数のベンチマークで従来の機能やSSLメソッドよりも優れています。
- 参考スコア（独自算出の注目度）: 11.877798251991473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discovery of sensitive and biologically grounded biomarkers is essential for early detection and monitoring of Alzheimer's disease (AD). Structural MRI is widely available but typically relies on hand-crafted features such as cortical thickness or volume. We ask whether self-supervised learning (SSL) can uncover more powerful biomarkers from the same data. Existing SSL methods underperform FreeSurfer-derived features in disease classification, conversion prediction, and amyloid status prediction. We introduce Residual Noise Contrastive Estimation (R-NCE), a new SSL framework that integrates auxiliary FreeSurfer features while maximizing additional augmentation-invariant information. R-NCE outperforms traditional features and existing SSL methods across multiple benchmarks, including AD conversion prediction. To assess biological relevance, we derive Brain Age Gap (BAG) measures and perform genome-wide association studies. R-NCE-BAG shows high heritability and associations with MAPT and IRAG1, with enrichment in astrocytes and oligodendrocytes, indicating sensitivity to neurodegenerative and cerebrovascular processes.
- Abstract（参考訳）: バイオマーカーの発見は、アルツハイマー病(AD)の早期発見とモニタリングに不可欠である。
構造MRIは広く利用可能であるが、典型的には大脳皮質の厚みや体積などの手作りの特徴に依存している。
自己教師付き学習(SSL)が、同じデータからより強力なバイオマーカーを発見できるかどうかを問う。
既存のSSLメソッドは、疾患分類、変換予測、アミロイド状態予測においてFreeSurferから派生した特徴を果たす。
Residual Noise Contrastive Estimation (R-NCE)は、補助的なFreeSurfer機能を統合し、追加の拡張不変情報を最大化するSSLフレームワークである。
R-NCEはAD変換予測を含む複数のベンチマークで従来の機能やSSLメソッドよりも優れています。
生物学的関連性を評価するため,脳年齢ギャップ(BAG)測定を導出し,ゲノムワイド・アソシエーション研究を行った。
R-NCE-BAGはMAPTおよびIRAG1と高い遺伝性を示し、アストロサイトとオリゴデンドロサイトに富み、神経変性および脳血管系への感受性を示す。
関連論文リスト
- MethConvTransformer: A Deep Learning Framework for Cross-Tissue Alzheimer's Disease Detection [4.931890971425293]
アルツハイマー病(英語: Alzheimer's disease, AD)は、多因子性神経変性疾患の一つで、進行性認知機能低下と脳の広範な機能低下を特徴とする。
MethConvTransformerはトランスフォーマーベースのディープラーニングフレームワークで、脳と末梢組織のDNAメチル化プロファイルを統合する。
論文 参考訳（メタデータ） (2026-01-01T00:18:33Z) - R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T02:54:10Z) - An Interpretable Ensemble Framework for Multi-Omics Dementia Biomarker Discovery Under HDLSS Conditions [0.0]
本稿では、グラフ注意ネットワーク(GAT)、マルチOmics Variational AutoEncoder(MOVE)、Elastic-net sparse regression、Storey's False Discovery Rate(FDR)を組み合わせた新しいアンサンブル手法を提案する。
シミュレーションされたマルチオミクスデータとアルツハイマー病神経画像イニシアチブ(ADNI)データセットを用いて評価を行った。
本手法は, 優れた予測精度, 特徴選択精度, 生物学的妥当性を示す。
論文 参考訳（メタデータ） (2025-09-04T15:20:13Z) - Dynamic Classification of Latent Disease Progression with Auxiliary Surrogate Labels [4.997489272248076]
進化する健康情報に基づく疾患進展予測は、真の疾患状態が不明な場合に困難である。
我々は,主観的ラベルを用いた適応的前方回帰アルゴリズムを開発した。
漸近特性が確立され, 有限試料による顕著な改善が示された。
論文 参考訳（メタデータ） (2024-12-11T04:14:15Z) - Assessing the Efficacy of Classical and Deep Neuroimaging Biomarkers in Early Alzheimer's Disease Diagnosis [2.2667044928324747]
アルツハイマー病(AD)は認知症の主要な原因であり、早期発見は効果的な介入に不可欠である。
本研究の目的は,様々な画像バイオマーカーを抽出し,統合することにより,早期ADの有意な指標を検出することである。
論文 参考訳（メタデータ） (2024-10-31T15:02:16Z) - On the Within-class Variation Issue in Alzheimer's Disease Detection [66.70233526150723]
Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。
そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。
ソフトターゲット蒸留(SoTD)とインスタンスレベルの再分散(InRe)の2つの簡易かつ効果的な方法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。
この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
論文 参考訳（メタデータ） (2024-06-19T07:31:47Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z) - 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。