論文の概要: Brain-Atlas-Guided Generative Counterfactual Attention for Explainable Cognitive Decline Diagnosis Using Multimodal Connectomes

• arxiv url: http://arxiv.org/abs/2606.01237v1
• Date: Sun, 31 May 2026 13:39:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.462046
• Title: Brain-Atlas-Guided Generative Counterfactual Attention for Explainable Cognitive Decline Diagnosis Using Multimodal Connectomes
• Title（参考訳）: マルチモーダルコネクトームを用いた説明可能な認知的劣化診断のための脳アトラス誘導型世代別注意法
• Authors: Xiongri Shen, Jiaqi Wang, Zhenxi Song, Yi Zhong, Leilei Zhao, Xin He, Baiying Lei, Zhiguo Zhang,
• Abstract要約: 本稿では,認知低下診断のためのアトラス知識誘導型生成意図誘導ネットワーク(GCAN)を提案する。 GCANは、ソース・ツー・ターゲットの偽物生成問題として診断を定式化する。 Atlas-Aware Bidirectional Transformer (AABT) は、ブレイン・アトラス制約の下で、ネットワークレベルのトークンの符号化と復号を行う。
• 参考スコア（独自算出の注目度）: 29.55834943593375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mild cognitive impairment (MCI) and subjective cognitive decline (SCD) are closely associated with the early Alzheimer's disease continuum, where accurate and explainable diagnosis is important for early risk assessment and intervention. Existing connectome-based deep learning models can improve classification performance but often provide limited insight into disease-related functional and structural connectivity changes. This paper proposes an atlas-knowledge-guided Generative Counterfactual Attention-guided Network (GCAN) for explainable cognitive decline diagnosis using multimodal brain connectomes. GCAN formulates diagnosis as a source-to-target counterfactual generation problem, where target-label connectomes are generated from source-label inputs and their differences are used to construct counterfactual attention maps. To preserve connectome topology, an Atlas-aware Bidirectional Transformer (AABT) performs network-level token encoding and decoding under brain-atlas constraints. The framework is further extended from functional connectivity (FC) to joint functional and structural connectivity (SC) modeling, enabling counterfactual analysis of complementary functional reorganization and structural topology changes. Experiments on hospital-collected and ADNI datasets show that GCAN achieves competitive performance across HC vs. SCD, HC vs. MCI, and SCD vs. MCI classification tasks. Visualization, circular connectome analysis, CAM-based comparison, ablation studies, and confidence interval analysis further support the interpretability and reliability of the proposed framework. Modality-specific FC and SC pre-trained classifiers are used to provide target-state priors for counterfactual generation while being separated from the downstream diagnostic classifier to prevent data leakage.
• Abstract（参考訳）: 軽度認知障害 (MCI) と主観的認知低下 (SCD) は早期アルツハイマー病の再発と密接に関連している。 既存のコネクトームベースのディープラーニングモデルは、分類性能を改善することができるが、しばしば疾患に関連する機能的および構造的接続性の変化についての限られた洞察を提供する。 本稿では,マルチモーダル脳コネクトームを用いた認知低下診断のためのアトラス知識誘導型生成意図誘導ネットワーク(GCAN)を提案する。 GCANは、ソースラベル入力からターゲットラベルのコネクトームを生成し、その相違を利用して、ファクトファクトアテンションマップを構築する、ソース・トゥ・ターゲットの対物生成問題として診断を定式化する。 コネクトームトポロジーを保存するため、Atlas-aware Bidirectional Transformer (AABT)は脳-アトラス制約下でネットワークレベルのトークン符号化と復号を行う。 このフレームワークは、機能的接続(FC)から共同機能的・構造的接続(SC)モデリングへとさらに拡張され、相補的機能的再構成と構造的トポロジーの変化の対実的解析を可能にした。 病院で収集したデータセットとADNIデータセットの実験により、GCANはHC vs. SCD、HC vs. MCI、SCD vs. MCIの分類タスクで競争性能を発揮することが示された。 可視化,円形コネクトーム解析,CAMに基づく比較,アブレーション研究,信頼区間解析は,提案フレームワークの解釈可能性と信頼性をさらに向上させる。 データ漏洩を防止するために、下流診断分類器から切り離されながら、モダリティ固有のFCとSC事前訓練された分類器を用いて、反ファクト生成のためのターゲット状態の事前情報を提供する。

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)
• MRC-GAT: A Meta-Relational Copula-Based Graph Attention Network for Interpretable Multimodal Alzheimer's Disease Diagnosis [2.2399170518036913]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、早期かつ正確な診断を必要とする進行性神経変性疾患である。 近年の研究では、精度と信頼性を高めるためにコンピュータ支援診断モデルに注目が集まっている。 これらの制約を克服するために,AD分類タスクの効率的なマルチモーダルモデルとして,Meta-Relational Copula-Based Graph Attention Network (MRC-GAT)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T17:15:32Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• 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)
• Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [83.15653194899126]
  神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。 現在のVSNベースのNCD検出法は主にボトムアップ、刺激駆動認知プロセスと密接に結びついている言語マイクロ構造に焦点を当てている。 本稿では,話題の時間的変化を追跡する動的トピックモデル(DTM)と,物語と視覚刺激の相互整合性を測定するテキスト画像時間アライメントネットワーク(TITAN)の2つの新しいマクロ構造手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T12:16:26Z)
• GCAN: Generative Counterfactual Attention-guided Network for Explainable Cognitive Decline Diagnostics based on fMRI Functional Connectivity [1.3426127666129704]
  軽度認知障害 (MCI) と主観的認知低下 (SCD) の fMRI 機能接続 (FC) による診断が盛んである。 ほとんどのFCベースの診断モデルは、カジュアルな推論を欠いたブラックボックスであるため、認知低下のFCベースの神経バイオマーカーに関する知識にはほとんど寄与しない。 本稿では,認知低下関連脳領域の認識に反実的推論を導入するGCAN(Generative counterfactual attention-guided Network)を提案する。
  論文  参考訳（メタデータ） (2024-03-04T06:24:24Z)
• Fusing Structural and Functional Connectivities using Disentangled VAE for Detecting MCI [9.916963496386089]
  階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。 公的なアルツハイマー病神経画像イニシアチブデータベース上で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-06-16T05:22:25Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• 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。