論文の概要: Interpretable machine learning predicts Parkinson's disease severity using motion-corrected QSM MRI and multiband multiecho fMRI features
- arxiv url: http://arxiv.org/abs/2607.02553v1
- Date: Fri, 26 Jun 2026 20:26:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 07:26:11.077027
- Title: Interpretable machine learning predicts Parkinson's disease severity using motion-corrected QSM MRI and multiband multiecho fMRI features
- Title（参考訳）: 動作補正型QSMMRIとマルチバンドマルチエチョfMRIによるパーキンソン病重症度予測
- Abstract要約: 解釈可能な機械学習を用いて、QSMとReHoの特徴から現在のモータの重症度を予測する。
小脳, 視床, 線条体, 内臓, 運動皮質の特徴について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Introduction: Objective neuroimaging biomarkers may improve Parkinson's disease motor assessment by capturing brain variation not directly observable from clinical examination. We used interpretable machine learning to predict current motor severity, measured by MDS-UPDRS Part III, from QSM and multiband multi-echo resting-state fMRI-derived ReHo features. Methods: Regional QSM and ReHo features were extracted from 28 participants, including 24 individuals with Parkinson's disease and 4 controls. Thirteen feature-set experiments evaluated imaging-only, clinical-only, imaging-plus-clinical, full, reduced, and multimodal inputs. Support vector regression, Elastic Net, Random Forest, and XGBoost models were trained using nested cross-validation. Performance was assessed using pooled held-out R^2, RMSE, MAE, Pearson correlation, permutation testing, and the proportion of participants predicted within +/-5 MDS-UPDRS Part III points. Results: Imaging-only models carried meaningful predictive signal, whereas the clinical-only model performed weakly. Full fMRI, full QSM, and clinical variables provided the strongest global fit, explaining 45.4% of variance in motor severity. Selected QSM plus clinical variables produced the most clinically close predictions, with 75.0% of participants predicted within +/-5 points and the lowest MAE among top-performing models. SHAP highlighted cerebellar, thalamic, striatal, insular, and motor cortical features. Conclusion: QSM and multiband multi-echo fMRI-derived ReHo capture distinct, interpretable dimensions of Parkinson's disease motor severity. These findings show that structural and functional imaging contribute differently depending on the clinical prediction goal.
- Abstract（参考訳）: はじめに、客観的なニューロイメージングバイオマーカーは、臨床検査で直接観察できない脳の変動を捉えて、パーキンソン病の運動評価を改善することができる。
MDS-UPDRS Part IIIでは,QSMおよびマルチバンドマルチエチョレスティング状態のReHo特徴から,インタプリタブル機械学習を用いて電流重大度を推定した。
方法: パーキンソン病24名, コントロール4名を含む28名の被験者から, 地域QSMとReHoの特徴を抽出した。
13種類の特徴セット実験により, 画像のみ, 臨床のみ, 画像+クリニカル, フル, 縮小, マルチモーダル入力が評価された。
ベクター回帰、Elastic Net、Random Forest、XGBoostモデルはネストしたクロスバリデーションを用いて訓練された。
R^2, RMSE, MAE, ピアソン相関, 置換試験, および+//-5 MDS-UPDRS Part III点において予測された参加者の割合を用いて, 評価を行った。
結果: 画像のみのモデルでは有意な予測信号が得られたが, 臨床のみのモデルは弱かった。
フルfMRI、フルQSM、臨床変数は、運動重心の45.4%のばらつきを説明し、世界最強の適合を提供した。
選択されたQSMと臨床変数は最も臨床的に密接な予測となり、75.0%の参加者は+/-5点以内で予測され、最も低いMAEがトップパフォーマンスモデルの中で予測された。
SHAPは小脳, 視床, 線条体, 内臓, 運動皮質の特徴を呈していた。
結語: QSMとマルチバンドfMRI由来のReHoはパーキンソン病の重症度が異なる、解釈可能な次元を捉えている。
これらの結果から, 臨床予測目標によって, 構造的, 機能的画像が異なることが示唆された。
関連論文リスト
- Metamorphic Testing for Clinical ML Models: A Framework Proposal and Pilot Study [3.4905170154782343]
臨床予測タスクのための機械学習モデルは、定期的に高いAUROCスコアを達成する。
AUROCは、臨床的感受性よりもランキングパフォーマンスを計測する。
本稿では,機械学習モデルにメタモルフィックテストを適用し,行動の正しさを評価する。
論文 参考訳（メタデータ） (2026-07-25T01:42:45Z) - 3D Classification of Paramagnetic Rim Lesions in Multiple Sclerosis via Asymmetric QSM-FLAIR Modeling [4.672573934670909]
多発性硬化症(MS)における慢性活動性炎症の特異的バイオマーカーとして,感応性感応性MRIで同定された常磁性リム病変(Rim$+$)が最近出現している。
本稿では,QSMとFLAIR MRIを用いた病変レベルRim$+/Rim$-$分類のための3次元マルチモーダルディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-15T14:10:30Z) - A Sparse-Attention Deep Learning Model Integrating Heterogeneous Multimodal Features for Parkinson's Disease Severity Profiling [4.813020904720317]
Class-Weighted Sparse-Attention Fusion Network (SAFN)は、堅牢なマルチモーダルプロファイリングのための解釈可能なディープラーニングフレームワークである。
SAFNは、MRI皮質厚み、MRI体積測定、臨床評価、人口統計学変数を統合している。
精度は0.98プラスまたは0.02、PR-AUCは1.00プラスまたは0.00で、確立された機械学習およびディープラーニングベースラインを上回っている。
論文 参考訳（メタデータ） (2026-01-02T00:51:21Z) - Bi-cephalic self-attended model to classify Parkinson's disease patients with freezing of gait [2.8658669653771334]
本研究の目的は,PD患者の歩行障害を検出するための客観的,データ駆動型,マルチモーダル分類モデルを開発することである。
静止状態脳波と記述変数から抽出した特徴を、新しい二頭性自己注意モデル(BiSAM)の訓練に用いた。
論文 参考訳（メタデータ） (2025-07-28T14:16:01Z) - SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。
我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。
決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
論文 参考訳（メタデータ） (2025-07-15T01:18:28Z) - Interpretable and Granular Video-Based Quantification of Motor Characteristics from the Finger Tapping Test in Parkinson Disease [0.630697824608134]
本稿では,ビデオ記録からPDモータ特性を定量化するコンピュータビジョンに基づく手法を提案する。
低スキネジア、ブレジキネシア、シークエンス・エフェクト、鎮静剤を特徴付けるために、臨床的に関係のある4つの特徴セットが提案されている。
運動障害学会統一パーキンソン病評価尺度 (MDS-UPDRS) の指触診スコアを推定するために, これらの特徴を機械学習分類器の訓練に利用した。
論文 参考訳（メタデータ） (2025-06-19T12:49:06Z) - Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。
NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。
年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2025-06-11T23:51:01Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z)
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。