論文の概要: Bayesian Inference of Psychometric Variables From Brain and Behavior in Implicit Association Tests
- arxiv url: http://arxiv.org/abs/2603.16741v1
- Date: Tue, 17 Mar 2026 16:20:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.411143
- Title: Bayesian Inference of Psychometric Variables From Brain and Behavior in Implicit Association Tests
- Title（参考訳）: インシシット・アソシエーション・テストにおける脳と行動からの心理測定変数のベイズ推定
- Authors: Christian A. Kothe, Sean Mullen, Michael V. Bronstein, Grant Hanada, Marcelo Cicconet, Aaron N. McInnes, Tim Mullen, Marc Aafjes, Scott R. Sponheim, Alik S. Widge,
- Abstract要約: 我々は,インプリシット・アソシエーション・テスト(IAT)をデータ生成エンジンとして,神経・行動データからメンタルヘルス関連精神測定変数を推定する原理的手法を確立した。
マルチモーダルデータを利用して,精神疾患の症状に関連する経験を予測できる疎階層型ベイズモデルを提案する。
- 参考スコア（独自算出の注目度）: 0.786460153386845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective. We establish a principled method for inferring mental health related psychometric variables from neural and behavioral data using the Implicit Association Test (IAT) as the data generation engine, aiming to overcome the limited predictive performance (typically under 0.7 AUC) of the gold-standard D-score method, which relies solely on reaction times. Approach. We propose a sparse hierarchical Bayesian model that leverages multi-modal data to predict experiences related to mental illness symptoms in new participants. The model is a multivariate generalization of the D-score with trainable parameters, engineered for parameter efficiency in the small-cohort regime typical of IAT studies. Data from two IAT variants were analyzed: a suicidality-related E-IAT ($n=39$) and a psychosis-related PSY-IAT ($n=34$). Main Results. Our approach overcomes a high inter-individual variability and low within-session effect size in the dataset, reaching AUCs of 0.73 (E-IAT) and 0.76 (PSY-IAT) in the best modality configurations, though corrected 95% confidence intervals are wide ($\pm 0.18$) and results are marginally significant after FDR correction ($q=0.10$). Restricting the E-IAT to MDD participants improves AUC to 0.79 $[0.62, 0.97]$ (significant at $q=0.05$). Performance is on par with the best reference methods (shrinkage LDA and EEGNet) for each task, even when the latter were adapted to the task, while the proposed method was not. Accuracy was substantially above near-chance D-scores (0.50-0.53 AUC) in both tasks, with more consistent cross-task performance than any single reference method. Significance. Our framework shows promise for enhancing IAT-based assessment of experiences related to entrapment and psychosis, and potentially other mental health conditions, though further validation on larger and independent cohorts will be needed to establish clinical utility.
- Abstract（参考訳）: 目的。
我々は、インプリシティー・アソシエーション・テスト(IAT)をデータ生成エンジンとし、反応時間のみに依存するゴールドスタンダードDスコア法(典型的には0.7AUC)の限られた予測性能(典型的には0.7AUC未満)を克服することを目的として、神経および行動データからメンタルヘルス関連精神測定変数を推定する方法を確立した。
アプローチ。
マルチモーダルデータを利用して,精神疾患の症状に関連する経験を予測できる疎階層型ベイズモデルを提案する。
このモデルは、トレーニング可能なパラメータを持つDスコアの多変量一般化であり、IAT研究で典型的な小コホート方式のパラメータ効率のために設計されている。
自殺関連E-IAT(n=39$)と精神病関連PSY-IAT(n=34$)の2種類のIAT変異体からのデータを分析した。
主な結果。
提案手法は,FDR補正後,95%の信頼区間が広く(最大0.18ドル),その結果がわずかに有意であるにもかかわらず,データセットの個人間変動とセッション内効果の低減を克服し,AUCの0.73(E-IAT)と0.76(PSY-IAT)を最適なモード構成で達成する。
E-IAT から MDD への制限は AUC を 0.79 $[0.62, 0.97] に改善する。
提案手法は,タスクに適応した場合でも,各タスク毎の参照手法(Srinkage LDA,EEGNet)と同等の性能を示す。
両タスクの精度はDスコア(0.50-0.53 AUC)よりもかなり高く、単一の参照方式よりも一貫したクロスタスク性能であった。
重要なこと。
本枠組みは,IATによる心身障害や精神病,その他の精神疾患に関する経験の質的評価を高めることを約束するものであるが,より大規模で独立したコホートに対するさらなる検証は臨床効果の確立に必要である。
関連論文リスト
- An Adaptive Machine Learning Triage Framework for Predicting Alzheimer's Disease Progression [12.418201300163545]
軽度認知障害(MCI)からアルツハイマー病(AD)への転換の正確な予測は、効果的なパーソナライズされた治療を可能にする。
予測された「情報の価値」に基づいて、高度でコストのかかる特徴を選択的に得る2段階の機械学習フレームワークを設計する。
我々のフレームワークは、基本的な機能と高度な機能の両方を使用するモデルに匹敵する0.929のAUROCを達成しながら、高度なテストの必要性を20%削減します。
論文 参考訳（メタデータ） (2025-11-10T03:57:56Z) - Causal Machine Learning for Surgical Interventions [3.701687265960785]
外科的意思決定は複雑で、患者の特徴、介入、結果の間の因果関係を理解する必要がある。
本研究では,ITE推定のためのマルチタスクメタ学習フレームワークであるX-MultiTaskを開発した。
X-MultiTaskは、患者固有の因果推定を提供することによって、パーソナライズされた外科的ケアを推進し、患者の成果を改善する強力なツールを提供する。
論文 参考訳（メタデータ） (2025-09-24T02:31:43Z) - Latent Space Data Fusion Outperforms Early Fusion in Multimodal Mental Health Digital Phenotyping Data [0.0]
うつ病や不安などの精神疾患は早期発見とパーソナライズされた介入の方法を改善する必要がある。
従来の予測モデルは、精神医学的なデータの複雑なマルチモーダルな性質を捉えるのに失敗する、単調なデータや初期の融合戦略に依存していることが多い。
日常的なうつ症状の予測のための中間的(相対的空間)核融合の評価を行った。
論文 参考訳（メタデータ） (2025-07-10T18:10:46Z) - Comprehensive Methodology for Sample Augmentation in EEG Biomarker Studies for Alzheimers Risk Classification [0.0]
主な型であるアルツハイマー病(AD)は70%の症例である。
脳波測定はADリスクを識別する可能性を示しているが、信頼性の高い比較のために大規模なサンプルを取得することは困難である。
本研究では,信号処理,調和化,統計的手法を統合し,サンプルサイズを向上し,ADリスク分類の信頼性を向上させる。
論文 参考訳（メタデータ） (2024-11-20T10:31:02Z) - Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。
異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。
この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
論文 参考訳（メタデータ） (2024-07-20T12:42:24Z) - Understanding, Predicting and Better Resolving Q-Value Divergence in
Offline-RL [86.0987896274354]
まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。
そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。
われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
論文 参考訳（メタデータ） (2023-10-06T17:57:44Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Deep Reinforcement Learning for Cost-Effective Medical Diagnosis [41.10546022107126]
強化学習を用いて、以前の観測結果に基づいて順次実験室のテストパネルを選択する動的ポリシーを探索する。
エンド・ツー・エンドのトレーニングやオンライン学習と互換性のあるセミモデルに基づく深層診断ポリシー最適化フレームワークを提案する。
SM-DDPOは、フェリチン異常検出、敗血症死亡予測、急性腎障害の診断など、様々な臨床的タスクでテストされている。
論文 参考訳（メタデータ） (2023-02-20T19:47:25Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital
Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。
1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文 参考訳（メタデータ） (2020-10-30T00:47:01Z)
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。