論文の概要: BrainSCL: Subtype-Guided Contrastive Learning for Brain Disorder Diagnosis

• arxiv url: http://arxiv.org/abs/2603.19295v1
• Date: Wed, 11 Mar 2026 01:40:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.859913
• Title: BrainSCL: Subtype-Guided Contrastive Learning for Brain Disorder Diagnosis
• Title（参考訳）: BrainSCL:脳障害診断のためのサブタイプガイド型コントラスト学習
• Authors: Xiaolong Li, Guiliang Guo, Guangqi Wen, Peng Cao, Jinzhu Yang, Honglin Wu, Xiaoli Liu, Fei Wang, Osmar R. Zaiane,
• Abstract要約: 精神障害の集団は明らかに異質性を示す。 サブタイプ誘導型コントラスト学習フレームワークを提案する。 大うつ病(MDD)、双極性障害(BD)、自閉症スペクトラム障害(ASD)について検討した。
• 参考スコア（独自算出の注目度）: 16.195269455566297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mental disorder populations exhibit pronounced heterogeneity -- that is, the significant differences between samples -- poses a significant challenge to the definition of positive pairs in contrastive learning. To address this, we propose a subtype-guided contrastive learning framework that models patient heterogeneity as latent subtypes and incorporates them as structural priors to guide discriminative representation learning. Specifically, we construct multi-view representations by combining patients' clinical text with graph structure adaptively learned from BOLD signals, to uncover latent subtypes via unsupervised spectral clustering. A dual-level attention mechanism is proposed to construct prototypes for capturing stable subtype-specific connectivity patterns. We further propose a subtype-guided contrastive learning strategy that pulls samples toward their subtype prototype graph, reinforcing intra-subtype consistency for providing effective supervisory signals to improve model performance. We evaluate our method on Major Depressive Disorder (MDD), Bipolar Disorder (BD), and Autism Spectrum Disorders (ASD). Experimental results confirm the effectiveness of subtype prototype graphs in guiding contrastive learning and demonstrate that the proposed approach outperforms state-of-the-art approaches. Our code is available at https://anonymous.4open.science/r/BrainSCL-06D7.
• Abstract（参考訳）: 精神障害の集団は明らかに異質性を示し、つまりサンプル間の顕著な相違は、対照的な学習における正のペアの定義に重大な課題をもたらす。 これを解決するために,患者の不均一性を潜在サブタイプとしてモデル化し,それらを構造的先行として組み込んで識別表現学習を誘導するサブタイプ誘導型コントラスト学習フレームワークを提案する。 具体的には、患者の臨床テキストとBOLD信号から順応的に学習したグラフ構造を組み合わせることで、マルチビュー表現を構築し、教師なしスペクトルクラスタリングにより潜在サブタイプを明らかにする。 安定なサブタイプ固有の接続パターンをキャプチャするプロトタイプを構築するために,デュアルレベルアテンション機構を提案する。 さらに,モデル性能を向上させるための効果的な監視信号を提供するために,サブタイプ内整合性を強化し,サンプルをサブタイププロトタイプグラフへプルするサブタイプ誘導型コントラスト学習戦略を提案する。 本手法は,大うつ病 (MDD), 双極性障害 (BD), 自閉症スペクトラム障害 (ASD) について検討した。 比較学習の指導におけるサブタイププロトタイプグラフの有効性を実験的に検証し,提案手法が最先端の手法より優れていることを示す。 私たちのコードはhttps://anonymous.4open.science/r/BrainSCL-06D7で利用可能です。

関連論文リスト

• Pathology-Aware Prototype Evolution via LLM-Driven Semantic Disambiguation for Multicenter Diabetic Retinopathy Diagnosis [9.502494574447253]
  糖尿病網膜症のグレーディングを容易にするための階層型アンカープロトタイプ変調(HAPM)フレームワークを提案する。 まず、領域不変な病理パターンを保存する分散スペクトル駆動型アンカープロトタイプライブラリを紹介する。 さらに、LVLMおよびLLMソースから識別的意味的プロンプトを動的に選択する階層的微分プロンプトゲーティング機構を用いる。
  論文  参考訳（メタデータ） (2025-11-27T02:35:29Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning [0.21079694661943607]
  ProtoECGNetは、解釈可能な多ラベルECG分類のためのプロトタイプディープラーニングモデルである。 PTB-XLデータセットから71の診断ラベルについてProtoECGNetを評価する。 ProtoECGNetは、プロトタイプ学習を複雑で多ラベルの時系列分類に効果的にスケールできることを示した。
  論文  参考訳（メタデータ） (2025-04-11T17:23:37Z)
• Enhancing Interpretability of Vertebrae Fracture Grading using Human-interpretable Prototypes [7.633493982907541]
  本稿では,脊椎骨折(原型)の関連部分を見つけるための新しい解釈可能な設計手法であるProtoVerseを提案し,そのモデルの決定を人間に理解可能な方法で確実に説明する。 We have been experiment with the VerSe'19 dataset and outformed the existing prototype-based method。
  論文  参考訳（メタデータ） (2024-04-03T16:04:59Z)
• Interpreting What Typical Fault Signals Look Like via Prototype-matching [3.774984871230879]
  プロトタイプマッチングとオートエンコーダを組み合わせたプロトタイプマッチングネットワーク(PMN)を提案する。 分類ロジック、障害プロトタイプ、マッチングコントリビューションに関する3つの解釈パスがある。 この能力は人間の理解を広げ、解釈可能性の研究から科学のためのAIまで有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-11T05:47:07Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
  原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。 PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。 PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
  論文  参考訳（メタデータ） (2020-05-11T09:53:36Z)

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。