論文の概要: CALM: Interpretable Cross-Modal Alignment for Biomarker Discovery from Unpaired Data

• arxiv url: http://arxiv.org/abs/2607.01656v1
• Date: Thu, 02 Jul 2026 03:27:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.651474
• Title: CALM: Interpretable Cross-Modal Alignment for Biomarker Discovery from Unpaired Data
• Title（参考訳）: CALM: 障害のないデータからのバイオマーカー発見のための解釈可能なクロスモーダルアライメント
• Abstract要約: 本研究では,脳のROIと遺伝経路の相互関係を不一致集団から学習する枠組みであるCALMを提案する。 一方向イメージングと遺伝学のデータセットを訓練すると、CALMは目に見えないペアのデータセットに一般化する。 自閉症スペクトラム障害の実験では,特定の皮質領域に関連付けられた免疫および代謝経路が明らかとなった。
• 参考スコア（独自算出の注目度）: 0.6920346660346479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The interaction between brain structure and genetic influences is key to understanding neuropsychiatric disorders. However, most large-scale datasets are unimodal, providing either neuroimaging or genetics data. We propose CALM, a framework that learns interpretable associations between brain ROIs and genetic pathways from completely disjoint populations. CALM aligns the two modalities in a shared latent space via linear projections that simultaneously match the class-conditional latent distributions and ensure group separability. These projections provide interpretable pathway--ROI associations. When trained on unimodal imaging and genetics datasets, CALM generalizes to an unseen paired dataset, outperforming several state-of-the-art methods and ablation baselines. We also demonstrate stability of the learned associations against a paired baseline. Our experiments on autism spectrum disorder reveal immune and metabolic pathways linked to specific cortical regions and are consistent with established literature. Thus, CALM opens the door to leveraging large unimodal repositories for studying cross-modal interactions in brain disorders across disparate datasets.
• Abstract（参考訳）: 脳の構造と遺伝的影響の間の相互作用は、神経精神医学的障害を理解するための鍵となる。 しかし、ほとんどの大規模データセットはユニモーダルであり、ニューロイメージングまたは遺伝学のデータを提供する。 脳のROIと遺伝子経路の相互関係を、完全に結合しない個体群から学習する枠組みであるCALMを提案する。 CALMは、クラス条件の潜在分布と同時に一致し、群分離性を保証する線形射影を通して、共有潜在空間内の2つのモードを整列する。 これらの投影は解釈可能な経路-ROI結合を提供する。 一方向イメージングと遺伝学のデータセットを訓練すると、CALMは目に見えないペア化されたデータセットに一般化し、いくつかの最先端の手法とアブレーションベースラインを上回ります。 また、学習した関係の安定性をペアベースラインに対して示す。 自閉症スペクトラム障害の実験では,特定の皮質領域に関連付けられた免疫および代謝経路が明らかであり,確立された文献と一致している。 そこでCALMは、異なるデータセットをまたいだ脳障害におけるクロスモーダルな相互作用を研究するために、大きなユニモーダルリポジトリを活用するための扉を開く。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Learning Cross-Atlas Consistent Brain Disorder Representations via Disentangled Multi-Atlas Functional Connectivity Learning [16.991703658819794]
  静止状態fMRIから導かれる機能接続(FC)は、大規模な脳ネットワークの変化を特徴づけるために広く用いられている。 既存のマルチアトラスアプローチはこの問題を部分的に緩和するが、比較的浅いレベルでアトラスに由来する特徴や予測を融合させることが多い。 多分岐表現学習フレームワークであるMulti-Atlas Disentangled Connectivity LEarning (MADCLE)を提案する。
  論文  参考訳（メタデータ） (2026-05-07T23:14:05Z)
• 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)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Learning Explainable Imaging-Genetics Associations Related to a Neurological Disorder [0.6920346660346479]
  我々は,クロスアテンション機構を利用した早期融合戦略を用いた説明可能なディープラーニングフレームワークであるNeuroPathXを提案する。 自閉症スペクトラム障害とアルツハイマー病に対するNeuroPathXの有効性を検討した。
  論文  参考訳（メタデータ） (2025-08-22T23:18:06Z)
• An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。 この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
  論文  参考訳（メタデータ） (2024-06-19T07:31:47Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Longitudinal Correlation Analysis for Decoding Multi-Modal Brain Development [17.970347089803596]
  縦相関解析(LCA)という解析手法を提案する。 LCAは、まず各モーダルからの入力をオートエンコーダに基づく潜在表現に還元することで、2つのモーダルのデータを結合する。 若年者におけるアルコール・神経発達に関する全国コンソーシアム679名の縦断的T1強調および拡散強調MRI解析にLCAを適用した。
  論文  参考訳（メタデータ） (2021-07-10T00:07:06Z)
• 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。