論文の概要: IMA-MoE: An Interpretable Modality-Aware Mixture-of-Experts Framework for Characterizing the Neurobiological Signatures of Binge Eating Disorder

• arxiv url: http://arxiv.org/abs/2604.17028v1
• Date: Sat, 18 Apr 2026 15:22:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.297671
• Title: IMA-MoE: An Interpretable Modality-Aware Mixture-of-Experts Framework for Characterizing the Neurobiological Signatures of Binge Eating Disorder
• Title（参考訳）: IMA-MoE: 結合食障害の神経生物学的特徴を識別するための解釈可能なモダリティ-Aware Mixture-of-Expertsフレームワーク
• Authors: Lin Zhao, Qiaohui Gao, Elizabeth Martin, Kurt P. Schulz, Tom Hildebrandt, Robyn Sysko, Tianming Liu, Xiaobo Li,
• Abstract要約: Interpretable Modality-Aware Mixture-of-Experts (IMA-MoE) は、統一された予測フレームワークに異種測度を統合するように設計された新しいアーキテクチャである。 大規模思春期脳認知開発(ABCD)データセットを用いて評価した。
• 参考スコア（独自算出の注目度）: 7.437091484081088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Binge eating disorder (BED) is the most prevalent eating disorder. However, current diagnostic frameworks remain largely grounded in symptom-based criteria rather than underlying biological mechanisms, thereby limiting early detection and the development of biologically-informed interventions. Emerging studies have begun to investigate the neurobiological signatures of BED, yet their findings are often difficult to generalize due to the reliance on hypothesis-driven parametric models, single-modality analyses, and limited data diversity. Therefore, there is a critical need for advanced data-driven frameworks capable of modeling multimodal data to uncover generalizable and biologically meaningful signatures of BED. In this study, we propose the Interpretable Modality-Aware Mixture-of-Experts (IMA-MoE), a novel architecture designed to integrate heterogeneous neuroimaging, behavioral, hormonal, and demographic measures within a unified predictive framework. By encoding each measure as a distinct token, IMA-MoE enables flexible modeling of cross-modal dependencies while preserving modality-specific characteristics. We further introduce a token-importance mechanism to enhance interpretability by quantifying the contribution of each measure to model predictions. Evaluated on the large-scale Adolescent Brain Cognitive Development (ABCD) dataset, IMA-MoE demonstrates superior performance in differentiating BED from healthy controls compared with baseline methods, while revealing sex-specific predictive patterns, with hormonal measures contributing more prominently to prediction in females. Collectively, these findings highlight the promise of interpretable, data-driven multimodal modeling in advancing biologically-informed characterization of BED and facilitating more precise and personalized interventions in neuropsychiatric disorders.
• Abstract（参考訳）: ビンジ食障害(Bed)は、最も多い摂食障害である。 しかしながら、現在の診断フレームワークは、基礎となる生物学的メカニズムよりも症状に基づく基準に大きく基礎を置いているため、早期発見と生物学的にインフォームドされた介入の発達が制限される。 新興研究では、BEDの神経生物学的特徴について研究が始まっているが、仮説駆動パラメトリックモデル、単一モダリティ分析、限られたデータ多様性に依存しているため、それらの発見を一般化することはしばしば困難である。 したがって、BEDの一般化可能かつ生物学的意義のあるシグネチャを明らかにするために、マルチモーダルデータのモデリングが可能な高度なデータ駆動フレームワークが不可欠である。 本研究では,不均一なニューロイメージング,行動,ホルモン,人口動態を統一的な予測枠組みに組み込んだ新しいアーキテクチャであるInterpretable Modality-Aware Mixture-of-Experts (IMA-MoE)を提案する。 それぞれの測度を異なるトークンとして符号化することにより、IMA-MoEはモダリティ固有の特性を保ちながら、相互依存の柔軟なモデリングを可能にする。 さらに,各尺度のモデル予測への寄与を定量化することにより,解釈可能性を高めるトークン重要度機構を導入する。 IMA-MoEは、大規模な青年期脳認知発達(ABCD)データセットに基づいて評価され、BEDと健康的なコントロールをベースライン法と区別する上で優れた性能を示しながら、性特異的な予測パターンを明らかにし、ホルモン療法は女性の予測により顕著に寄与する。 これらの知見は、BEDの生物学的インフォームド・キャラクタリゼーションを推進し、神経精神疾患に対するより正確でパーソナライズされた介入を促進するために、解釈可能な、データ駆動型マルチモーダル・モデリングの約束を強調している。

関連論文リスト

• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• 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)
• 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)
• Adaptive Shrinkage Estimation For Personalized Deep Kernel Regression In Modeling Brain Trajectories [4.605794646684244]
  そこで我々は,脳バイオマーカーの予測を行うための,パーソナライズされたディープカーネル回帰フレームワークを提案する。 我々のアプローチでは、大きなコホートから脳の軌跡をキャプチャする集団モデルと、個々の軌跡をキャプチャする対象特異的モデルという2つの重要な要素を統合している。
  論文  参考訳（メタデータ） (2025-04-10T19:13:44Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Self-supervised multimodal neuroimaging yields predictive representations for a spectrum of Alzheimer's phenotypes [27.331511924585023]
  この研究は、マルチモーダル・ニューロイメージングデータから複数の表現を学習するための、新しいマルチスケール協調フレームワークを提案する。 本稿では,情報誘導バイアスの一般的な分類法を提案する。 自己教師型モデルでは,事前トレーニング中にラベルにアクセスすることなく,障害関連脳領域とマルチモーダルリンクを明らかにする。
  論文  参考訳（メタデータ） (2022-09-07T01:37:19Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)

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。