論文の概要: Foundation models for discovering robust biomarkers of neurological disorders from dynamic functional connectivity
- arxiv url: http://arxiv.org/abs/2604.22018v1
- Date: Thu, 23 Apr 2026 19:18:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.243375
- Title: Foundation models for discovering robust biomarkers of neurological disorders from dynamic functional connectivity
- Title（参考訳）: 動的機能的接続による神経疾患のロバストバイオマーカー発見のための基礎モデル
- Authors: Deepank Girish, Yi Hao Chan, Sukrit Gupta, Jing Xia, Jagath C. Rajapakse,
- Abstract要約: 脳基礎モデル(FM)は、機能的接続をモデル化して脳障害を予測するために最近提案されている。
FMを含むDLモデルにより推定される潜在的なバイオマーカー候補のロバスト性を評価するためのフレームワークであるRE-CONFIRMを提案する。
- 参考スコア（独自算出の注目度）: 10.811185986109136
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Several brain foundation models (FM) have recently been proposed to predict brain disorders by modelling dynamic functional connectivity (FC). While they demonstrate remarkable model performance and zero- or few-shot generalization, the salient features identified as potential biomarkers are yet to be thoroughly evaluated. We propose RE-CONFIRM, a framework for evaluating the robustness of potential biomarker candidates elucidated by deep learning (DL) models including FMs. From experiments on five large datasets of Autism Spectrum Disorder (ASD), Attention-deficit Hyperactivity Disorder (ADHD), and Alzheimer's Disease (AD), we found that although commonly used performance metrics provide an intuitive assessment of model predictions, they are insufficient for evaluating the robustness of biomarkers identified by these models. RE-CONFIRM metrics revealed that simply finetuning FMs leads to models that fail to capture regional hubs effectively, even in disorders where hubs are known to be implicated, such as ASD and ADHD. In view of this, we propose Hub-LoRA (Low-Rank Adaptation) as a fine-tuning technique that enables FMs to not only outperform customised DL models but also produce neurobiologically faithful biomarkers supported by meta-analyses. RE-CONFIRM is generalizable and can be easily applied to ascertain the robustness of DL models trained on functional MRI datasets. Code is available at: https://github.com/SCSE-Biomedical-Computing-Group/RE-CONFIRM.
- Abstract（参考訳）: いくつかの脳基盤モデル(FM)は、最近、動的機能的接続(FC)をモデル化して脳障害を予測するために提案されている。
優れたモデル性能とゼロまたは少数ショットの一般化を示すが、潜在的なバイオマーカーとして同定された健全な特徴はまだ十分に評価されていない。
FMを含む深層学習(DL)モデルにより推定される潜在的なバイオマーカー候補の堅牢性を評価するためのフレームワークであるRE-CONFIRMを提案する。
自閉症スペクトラム障害(ASD)、注意欠陥性高活動障害(ADHD)、アルツハイマー病(ADHD)の5つの大データセットの実験から、一般的に用いられているパフォーマンス指標はモデル予測の直感的な評価を提供するが、これらのモデルによって同定されたバイオマーカーの堅牢性を評価するには不十分であることがわかった。
Re-CONFIRMのメトリクスは、単にFMを微調整するだけで、ASDやADHDのようなハブが関与していることが知られている障害であっても、地域ハブを効果的に捕捉できないモデルにつながることを明らかにした。
そこで我々は, FMがカスタマイズDLモデルより優れているだけでなく, メタ分析によって支持される神経生物学的に忠実なバイオマーカーを生成できる, 微調整技術として, Hub-LoRA(Low-Rank Adaptation)を提案する。
Re-CONFIRMは一般化可能であり、機能的MRIデータセットに基づいてトレーニングされたDLモデルの堅牢性を確認するために容易に適用することができる。
コードはhttps://github.com/SCSE-Biomedical-Computing-Group/RE-CONFIRMで入手できる。
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) - Beyond Classification Accuracy: Neural-MedBench and the Need for Deeper Reasoning Benchmarks [21.203358914772465]
近年の視覚言語モデル (VLM) の進歩は, 標準医学ベンチマークにおいて顕著な性能を発揮しているが, その真の臨床推論能力は未だ不明である。
我々はニューラルメドベンチ(Neural-MedBench)について紹介する。これは、神経学におけるマルチモーダルな臨床推論の限界を調査するためのコンパクトで推論集約的なベンチマークである。
論文 参考訳（メタデータ） (2025-09-26T12:20:01Z) - 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) - Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。
我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
論文 参考訳（メタデータ） (2025-08-18T20:44:32Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Discovering robust biomarkers of psychiatric disorders from resting-state functional MRI via graph neural networks: A systematic review [4.799269666410891]
障害予測タスクのためのfMRIデータセットに対して,GNNとモデル説明可能性技術がどのように適用されてきたかを検討する。
精神疾患に対するfMRIバイオマーカーを報告したGNNを用いて65種類の研究を同定した。
バイオマーカーのロバスト性を決定するために,客観的評価指標に基づく新しい標準を確立することを提案する。
論文 参考訳（メタデータ） (2024-05-01T15:29:55Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - 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)
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。