論文の概要: Multi-Modal Graph Neural Network with Transformer-Guided Adaptive Diffusion for Preclinical Alzheimer Classification

• arxiv url: http://arxiv.org/abs/2606.03322v1
• Date: Tue, 02 Jun 2026 08:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.869164
• Title: Multi-Modal Graph Neural Network with Transformer-Guided Adaptive Diffusion for Preclinical Alzheimer Classification
• Title（参考訳）: Transformer-Guided Adaptive Diffusion を用いた多モードグラフニューラルネットワークによる前臨床アルツハイマー分類
• Authors: Jaeyoon Sim, Minjae Lee, Guorong Wu, Won Hwa Kim,
• Abstract要約: 下流変換器を用いて各ノードにおける拡散過程を導出する統合フレームワークを提案する。 本モデルはアルツハイマー病の前臨床段階と密接に関連している主要なROIを十分に同定する。
• 参考スコア（独自算出の注目度）: 17.66283328694355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The graphical representation of the brain offers critical insights into diagnosing and prognosing neurodegenerative disease via relationships between regions of interest (ROIs). Despite recent emergence of various Graph Neural Networks (GNNs) to effectively capture the relational information, there remain inherent limitations in interpreting the brain networks. Specifically, convolutional approaches ineffectively aggregate information from distant neighborhoods, while attention-based methods exhibit deficiencies in capturing node-centric information, particularly in retaining critical characteristics from pivotal nodes. These shortcomings reveal challenges for identifying disease-specific variation from diverse features from different modalities. In this regard, we propose an integrated framework guiding diffusion process at each node by a downstream transformer where both short- and long-range properties of graphs are aggregated via diffusion-kernel and multi-head attention respectively. We demonstrate the superiority of our model by improving performance of pre-clinical Alzheimer's disease (AD) classification with various modalities. Also, our model adeptly identifies key ROIs that are closely associated with the preclinical stages of AD, marking a significant potential for early diagnosis and prevision of the disease.
• Abstract（参考訳）: 脳のグラフィカルな表現は、関心領域(ROI)間の関係を通して神経変性疾患を診断し、診断するための重要な洞察を提供する。 近年、関係情報を効果的に捉えるために様々なグラフニューラルネットワーク(GNN)が出現しているが、脳ネットワークの解釈には固有の制限がある。 特に、畳み込み的アプローチは、遠く離れた地域からの情報を効果的に集約しない一方で、注意に基づく手法は、特に中心的なノードからの臨界特性を保持する際に、ノード中心の情報を取得するのに欠陥を示す。 これらの欠点は、様々な形態の様々な特徴から疾患特異的な変異を識別する上での課題を明らかにしている。 本稿では,グラフの短距離特性と長距離特性をそれぞれ拡散カーネルとマルチヘッドアテンションによって集約した下流トランスフォーマーを用いて,各ノードにおける拡散過程を導く統合フレームワークを提案する。 本モデルの有効性は, 臨床前アルツハイマー病 (AD) 分類の性能を多種多様で向上させることによって示される。 また,本モデルでは,ADの前臨床段階と密接に関連している主要なROIを十分に同定し,早期診断と疾患予知に有意な有意な可能性を示唆している。

関連論文リスト

• 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)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• 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)
• GKAN: Explainable Diagnosis of Alzheimer's Disease Using Graph Neural Network with Kolmogorov-Arnold Networks [0.6282459656801734]
  本稿では,Kolmogorov-Arnold Networks (KAN) を Graph Convolutional Networks (GCN) に統合し,診断精度と解釈可能性の向上を図る。 GCN-KANは、アルツハイマー病(AD)に関連する主要な脳領域の解釈可能な洞察を提供しながら、従来のGCNを4-8%の精度で上回る このアプローチは、早期AD診断のための堅牢で説明可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-04-01T16:31:00Z)
• Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
  本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。 提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。 我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2023-11-13T14:36:29Z)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• Multimodal Representations Learning and Adversarial Hypergraph Fusion for Early Alzheimer's Disease Prediction [30.99183477161096]
  本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。 本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-07-21T08:08:05Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。