論文の概要: Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model

• arxiv url: http://arxiv.org/abs/2603.29176v1
• Date: Tue, 31 Mar 2026 02:36:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.050129
• Title: Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model
• Title（参考訳）: 生成的仮想脳モデルを用いたパーキンソン病の神経調節能予測
• Authors: Siyuan Du, Siyi Li, Shuwei Bai, Ang Li, Haolin Li, Mingqing Xiao, Yang Pan, Dongsheng Li, Weidi Xie, Yanfeng Wang, Ya Zhang, Chencheng Zhang, Jiangchao Yao,
• Abstract要約: パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
• 参考スコア（独自算出の注目度）: 95.41752463487008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parkinson's disease (PD) affects over ten million people worldwide. Although temporal interference (TI) and deep brain stimulation (DBS) are promising therapies, inter-individual variability limits empirical treatment selection, increasing non-negligible surgical risk and cost. Previous explorations either resort to limited statistical biomarkers that are insufficient to characterize variability, or employ AI-driven methods which is prone to overfitting and opacity. We bridge this gap with a pretraining-finetuning framework to predict outcomes directly from resting-state fMRI. Critically, a generative virtual brain foundation model, pretrained on a collective dataset (2707 subjects, 5621 sessions) to capture universal disorder patterns, was finetuned on PD cohorts receiving TI (n=51) or DBS (n=55) to yield individualized virtual brains with high fidelity to empirical functional connectivity (r=0.935). By constructing counterfactual estimations between pathological and healthy neural states within these personalized models, we predicted clinical responses (TI: AUPR=0.853; DBS: AUPR=0.915), substantially outperforming baselines. External and prospective validations (n=14, n=11) highlight the feasibility of clinical translation. Moreover, our framework provides state-dependent regional patterns linked to response, offering hypothesis-generating mechanistic insights.
• Abstract（参考訳）: パーキンソン病(PD)は世界中で1千万人以上の人に影響を及ぼしている。 時間的干渉(TI)と深部脳刺激(DBS)は有望な治療法であるが、個人間変動は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 これまでの調査では、多様性を特徴づけるには不十分な限られた統計バイオマーカーを使ったり、過度に適合し、不透明になるようなAI駆動の手法を使ったりしていた。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。 批判的に, 総括的データセット(2707名, 5621セッション)で事前訓練した生成仮想脳基盤モデルを, TI (n=51) またはDBS (n=55) を受信したPDコホートに微調整し, 経験的機能的接続(r=0.935)に対して高い忠実度を有する個別仮想脳を得る。 これらのパーソナライズされたモデルにおいて,病的および健康的な神経状態の相互関係を推定することにより,臨床反応 (TI: AUPR=0.853; DBS: AUPR=0.915) の予測精度が有意に向上した。 外部および将来的な検証 (n=14, n=11) は, 臨床翻訳の可能性を強調している。 さらに、我々のフレームワークは、応答に関連付けられた状態依存の地域パターンを提供し、仮説生成力学的な洞察を提供する。

関連論文リスト

• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Large Connectome Model: An fMRI Foundation Model of Brain Connectomes Empowered by Brain-Environment Interaction in Multitask Learning Landscape [12.920888696520366]
  機能神経画像の基礎モデルは臨床応用を促進するために重要である。 我々は、豊かな環境変数と人口統計データを活用することで、マルチタスク学習としての脳モデルを構築した。 我々は、性予知、人間の行動認識、自閉症の早期診断、パーキンソン病、アルツハイマー病、統合失調症など、様々な応用に関する基礎モデルを評価した。
  論文  参考訳（メタデータ） (2025-10-21T03:50:51Z)
• EARS-UDE: Evaluating Auditory Response in Sensory Overload with Universal Differential Equations [4.285464959472458]
  自閉症スペクトラム障害(ASD)における聴覚過負荷の50～70%への影響 自閉症における感覚適応力学をモデル化するために,Universal Differential Equations (UDEs) を用いた科学機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T10:16:43Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Detecting PTSD in Clinical Interviews: A Comparative Analysis of NLP Methods and Large Language Models [6.916082619621498]
  外傷後ストレス障害 (PTSD) は, 臨床現場ではまだ診断されていない。 本研究では,臨床面接書からPTSDを検出するための自然言語処理手法について検討した。
  論文  参考訳（メタデータ） (2025-04-01T22:06:28Z)
• Computational limits to the legibility of the imaged human brain [0.537030316387611]
  構造的および機能的データから25個の生物特性の予測可能性を評価する。 性別の高い予測可能性(精度99.7%)、年齢(平均絶対誤差2.048年、R2 0.859)、体重(平均絶対誤差2.609Kg、R225)は、新しい最先端性能と、他の特性の驚くほど低い予測可能性との間に相違があることを見出した。
  論文  参考訳（メタデータ） (2023-08-23T12:37:13Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。