Fugu-MT 論文翻訳(概要): Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection

論文の概要: Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection

arxiv url: http://arxiv.org/abs/2606.31186v1
Date: Tue, 30 Jun 2026 06:15:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-01 18:27:19.094929
Title: Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection
Title（参考訳）: アルツハイマー病検出のためのグラフ注意ネットワークによるGated Multi-Graph Fusion
Abstract要約: 自然発声はアルツハイマー病(AD)にとって重要な非侵襲的バイオマーカーである本稿では,音声を自動音声認識(ASR)で書き起こし,セマンティック,依存性,共起グラフを構築するマルチビューGated Graph Attention Networkを提案する。
参考スコア（独自算出の注目度）: 52.36198268369384
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spontaneous speech is a vital non-invasive biomarker for Alzheimer's Disease (AD), yet many systems overlook non-linear structural disruptions and clinical heterogeneity in pathological language. We propose a Multi-View Gated Graph Attention Network that transcribes audio via Automatic Speech Recognition (ASR) to construct semantic, dependency, and co-occurrence graphs, characterizing speech through a "content-structure-flow" framework. Notably, the co-occurrence graph leverages Pointwise Mutual Information (PMI) from a normative corpus to quantify narrative logic and linguistic deviation. To address symptomatic diversity, an adaptive gated fusion mechanism dynamically integrates these views. Evaluated on the ADReSSo dataset, our model achieves 90.00% accuracy. Ablation results confirm that the PMI-based graph and heterogeneity-aware gating are essential for robust classification across diverse clinical populations. Our source code is publicly available at https://github.com/opeacc/AD.
Abstract（参考訳）: 自然発話はアルツハイマー病(AD)にとって重要な非侵襲的バイオマーカーであるが、多くのシステムは病理言語における非線形構造破壊と臨床異種性を見落としている。本稿では,音声を自動音声認識(ASR)で書き起こして意味,依存性,共起グラフを構築するマルチビューGated Graph Attention Networkを提案する。特に、共起グラフは、規範的コーパスからポイントワイズ・ミューチュアル・インフォメーション(PMI)を利用して、物語論理と言語的逸脱を定量化する。対称性の多様性に対処するため、適応ゲート融合機構はこれらのビューを動的に統合する。 ADReSSoデータセットを用いて評価し,90.00%の精度を実現した。アブレーションの結果, PMIに基づくグラフと異質性を考慮したゲーティングは, 多様な臨床集団にまたがるロバストな分類に不可欠であることが確認された。ソースコードはhttps://github.com/opeacc/ADで公開されています。

関連論文リスト

GraM-Diff: A Unified Graph-Mamba Diffusion Framework for EEG-Based Alzheimer's Disease Data Generation and Diagnosis [7.064709096702816]
脳波合成のための統一型分類器誘導グラフマンバ拡散フレームワークGraM-Diffを提案する。拡散U-Net内にグラフ畳み込みネットワークを組み込んで、電界間の接続をモデル化し、線形複雑で長期の時間的モデリングのための双方向マンバ状態空間ブロックをモデル化する。 EEGベースのADベンチマーク4つのベンチマークで、合成強化は分類を改善し、強力な生成ベースラインよりも優れたコンテキストFIDと相関スコアを獲得し、データスカース設定の堅牢性を高める。
論文参考訳（メタデータ） (2026-08-30T12:37:47Z)
Multi-Source Multi-View Graph Domain Adaptation with Hyperbolic Residual Encoding for Cross-Site MDD Identification from rs-fMRI [7.161131821089437]
静止状態磁気共鳴画像(rs-fMRI)からの大うつ病(MDD)のクロスサイト同定は、部位間分布シフトと不均一機能接続(FC)ビューによって妨げられる。これらの見解は相補的な神経関係をとらえるが、異なる部位バイアスとグラフトポロジーを示す。平均精度は73.60%,AUCは71.90%である。
論文参考訳（メタデータ） (2026-07-31T15:30:16Z)
Graph Modelling Analysis of Speech-Gesture Interaction for Aphasia Severity Estimation [0.0]
失語症(英: aphasia)は、言語に責任がある脳の部位に損傷を負うことによって引き起こされる言語障害である。最近の音声分析の進歩は、自発音声からの失語度の自動推定に焦点を当てている。本研究では,失語症の重症度を推定するためのグラフニューラルネットワークに基づくフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-27T14:11:36Z)
Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文参考訳（メタデータ） (2026-01-23T05:41:05Z)
MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
論文参考訳（メタデータ） (2025-11-13T06:30:41Z)
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)
Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
論文参考訳（メタデータ） (2023-04-12T14:13:09Z)
Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2023-03-16T07:23:55Z)
AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network for Disease Prediction [20.19380805655623]
空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。また,多層アグリゲーション機構を用いた新しいグラフ畳み込みネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-06-16T12:13:23Z)
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)
High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文参考訳（メタデータ） (2020-03-18T12:18:35Z)
Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。