論文の概要: Exploring Subnetwork Interactions in Heterogeneous Brain Network via Prior-Informed Graph Learning

• arxiv url: http://arxiv.org/abs/2603.19307v1
• Date: Fri, 13 Mar 2026 12:04:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.76568
• Title: Exploring Subnetwork Interactions in Heterogeneous Brain Network via Prior-Informed Graph Learning
• Title（参考訳）: 先行インフォームドグラフ学習による異種脳ネットワークにおけるサブネットワークインタラクションの探索
• Authors: Siyu Liu, Guangqi Wen, Peng Cao, Jinzhu Yang, Xiaoli Liu, Fei Wang, Osmar R. Zaiane,
• Abstract要約: KD-Brainは、学習プロセスのガイドとして、事前知識を明示的にエンコードする事前インフォームドグラフ学習フレームワークである。 KD-Brainは、幅広い疾患の診断において最先端のパフォーマンスをもたらし、解釈可能なバイオマーカーを同定する。
• 参考スコア（独自算出の注目度）: 13.2346150249448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling the complex interactions among functional subnetworks is crucial for the diagnosis of mental disorders and the identification of functional pathways. However, learning the interactions of the underlying subnetworks remains a significant challenge for existing Transformer-based methods due to the limited number of training samples. To address these challenges, we propose KD-Brain, a Prior-Informed Graph Learning framework for explicitly encoding prior knowledge to guide the learning process. Specifically, we design a Semantic-Conditioned Interaction mechanism that injects semantic priors into the attention query, explicitly navigating the subnetwork interactions based on their functional identities. Furthermore, we introduce a Pathology-Consistent Constraint, which regularizes the model optimization by aligning the learned interaction distributions with clinical priors. Additionally, KD-Brain leads to state-of-the-art performance on a wide range of disorder diagnosis tasks and identifies interpretable biomarkers consistent with psychiatric pathophysiology. Our code is available at https://anonymous.4open.science/r/KDBrain.
• Abstract（参考訳）: 機能的サブネットワーク間の複雑な相互作用をモデル化することは、精神疾患の診断と機能的経路の同定に不可欠である。 しかしながら、基礎となるサブネットワークの相互作用を学習することは、トレーニングサンプルの数が限られているため、既存のTransformerベースの手法にとって重要な課題である。 これらの課題に対処するために,先行知識を明示的にエンコードして学習プロセスをガイドする事前インフォームドグラフ学習フレームワークであるKD-Brainを提案する。 具体的には、セマンティック・コンディションド・インタラクション・メカニズムを設計し、セマンティック・コンディションド・インタラクションをアテンションクエリに注入し、それらの機能的アイデンティティに基づいてサブネットワークインタラクションを明示的にナビゲートする。 さらに,学習した相互作用分布を臨床先行値と整合させることにより,モデル最適化を規則化する病的一貫性制約を導入する。 さらに、KD-Brainは、幅広い障害診断タスクにおける最先端のパフォーマンスをもたらし、精神疾患の病態と整合した解釈可能なバイオマーカーを同定する。 私たちのコードはhttps://anonymous.4open.science/r/KDBrain.comで利用可能です。

関連論文リスト

• BrainSTR: Spatio-Temporal Contrastive Learning for Interpretable Dynamic Brain Network Modeling [11.472484296820225]
  BrainSTRは、動的脳ネットワークモデリングのための分散脳時間コントラスト学習フレームワークを学習する。 ASD、BD、MDDに関する試験は、以前の発見と一致する解釈可能な証拠を提供する。
  論文  参考訳（メタデータ） (2026-03-10T15:47:09Z)
• Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis [10.444771588267436]
  脳階層型組織学習(BrainHO)を提案する。 具体的には,ノードを階層構造に集約する階層的アテンション機構を設計する。 公開されているABIDEとREST-meta-MDDデータセットの実験では、BrainHOは最先端の分類性能を達成するだけでなく、解釈可能な、臨床的に重要なバイオマーカーも明らかにしている。
  論文  参考訳（メタデータ） (2026-03-10T12:49:45Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Interpretable Fusion Analytics Framework for fMRI Connectivity: Self-Attention Mechanism and Latent Space Item-Response Model [0.4893345190925178]
  本稿では,ディープラーニングプロセスの分類結果を解釈する新しい分析フレームワークを提案する。 この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:01:18Z)
• Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis [31.281194583900998]
  本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。 提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2022-06-30T08:02:05Z)
• 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)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。