論文の概要: Brain Vascular Age Prediction Using Cerebral Blood Flow Velocity and Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2605.16969v1
• Date: Sat, 16 May 2026 12:43:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.395496
• Title: Brain Vascular Age Prediction Using Cerebral Blood Flow Velocity and Machine Learning Algorithms
• Title（参考訳）: 脳血流速度と機械学習アルゴリズムを用いた脳血管年齢予測
• Authors: Anni Zhao, Alex Bateh, Tyler Baldridge, Sandra Billinger, Xiao Hu,
• Abstract要約: 経頭蓋ドプラ (Transcranial Doppler, TCD) は、ヒトの脳に供給される主要な動脈に沿って脳血流速度を測定する方法である。 本研究の目的は、TDから抽出した特徴を用いて、時系列年齢を推定し、様々な脳疾患の患者において、加速度的老化を評価することである。
• 参考スコア（独自算出の注目度）: 2.2758886440908985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Defining vascular age in terms of physiological function has become one focal point of the extensive studies to categorize and track chronological age. Transcranial Doppler (TCD) is a method by which cerebral blood flow velocity is measured along the major arteries feeding the human brain. This study aims to use features extracted from TCD to estimate chronological age and assess accelerated aging in subjects with various brain diseases. We predict subjects with various brain diseases to present with accelerated cerebrovascular aging when tested on various regression models trained by healthy subjects. 168 healthy subjects and 277 diseased subjects with bilateral TCD recordings of the middle cerebral artery were analyzed using the Morphological Analysis and Clustering of Intracranial Pressure (MOCAIP) algorithm. MOCAIP-generated features and heart rate variability features were used as input features for regression models to predict the brain vascular age. 66 subjects with acute stroke, 27 subjects with post stroke, 26 subjects with Alzheimer's disease, 23 subjects with mild cognitive impairment, and 135 established subjects were tested against the machine learning model to assess for accelerated cerebrovascular age. The trained model, on average, predicted healthy subjects' cerebrovascular age to be 3.69 years above their chronological age. Subjects with different disease conditions exhibited varying levels of age acceleration. The differences in healthy and diseased subjects' performances suggest that features generated using TCD may be relevant when evaluating accelerated cerebrovascular aging. Moreover, imbalanced datasets have been observed to affect the performance of machine-learning-based brain age prediction models.
• Abstract（参考訳）: 生理機能の観点から血管年齢を定義することは、時間的年齢を分類・追跡する広範な研究の焦点となっている。 経頭蓋ドプラ (Transcranial Doppler, TCD) は、ヒトの脳に供給される主要な動脈に沿って脳血流速度を測定する方法である。 本研究の目的は、TDから抽出した特徴を用いて、時系列年齢を推定し、様々な脳疾患の患者において、加速度的老化を評価することである。 健常者により訓練された各種回帰モデルを用いて,脳血管の老化を早めるように,脳疾患の患者を予測した。 健常者168名, 両側大脳動脈TD記録症例277名について, 頭蓋内圧 (MOCAIP) 法を用いて解析した。 脳血管の老化を予測するための回帰モデルの入力特徴としてMOCAIPによる特徴と心拍変動の特徴が用いられた。 急性期脳卒中66名, 脳卒中27名, アルツハイマー病26名, 軽度認知障害23名, 確立した135名を対象に, 脳血管の老化を早めるための機械学習モデルを用いて検討した。 トレーニングされたモデルでは、平均して健康な被験者の脳血管年齢は、時系列年齢より3.69歳高いと予測された。 症状の異なる被験者は、年齢の加速のレベルが異なっていた。 健常者と疾患者のパフォーマンスの差異から,TDを用いて生成した特徴は,脳血管の老化促進を評価できる可能性が示唆された。 さらに、不均衡データセットは、機械学習に基づく脳年齢予測モデルの性能に影響を与えることが観察されている。

関連論文リスト

• Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation [0.8326370619658685]
  本研究では, 連続的, 年齢別胎児脳アトラスを生成するための新しい深層学習フレームワークを提案する。 このフレームワークは、直接登録モデルと条件判別器を組み合わせる。 妊娠21週から37週にわたる219個の神経型胎児MRIの訓練データセットを用いて訓練を行った。
  論文  参考訳（メタデータ） (2025-08-06T15:07:39Z)
• Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
  脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。 各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。 以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
  論文  参考訳（メタデータ） (2025-01-02T19:37:09Z)
• Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
  本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。 次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。 提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
  論文  参考訳（メタデータ） (2024-03-02T16:13:06Z)
• Robust Brain Age Estimation via Regression Models and MRI-derived Features [2.028990630951476]
  本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。 提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
  論文  参考訳（メタデータ） (2023-06-08T19:07:22Z)
• Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
  大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。 具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。 我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
  論文  参考訳（メタデータ） (2023-05-27T22:28:25Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。