論文の概要: ReMAP: Self-supervised learning to unveil brain representations and vulnerability
- arxiv url: http://arxiv.org/abs/2608.22042v1
- Date: Sat, 22 Aug 2026 17:09:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.94181
- Title: ReMAP: Self-supervised learning to unveil brain representations and vulnerability
- Title（参考訳）: ReMAP:脳の表現と脆弱性を明らかにする自己教師型学習
- Abstract要約: 全身麻酔は、標準化された制御された摂動の下で人間の脳を観察する稀な機会を提供する。
EEGは、ほとんど常に単一のプロプライエタリなディープインデックスに還元され、リッチな軌道を1つの数に分解する。
ここでは、その軌跡の幾何学が、到達した深さだけでなく、臨床的に意味のある情報を持っているかどうかを問う。
- 参考スコア（独自算出の注目度）: 3.3233194140188687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General anesthesia offers a rare opportunity to observe the human brain under a standardized, controlled perturbation. Yet intraoperative electroencephalography (EEG) is almost always reduced to a single proprietary depth index, collapsing a rich trajectory into one number and discarding how a brain moves between states. Here we ask whether the geometry of that trajectory, not merely the depth it reaches, carries clinically meaningful information. Using similarity-based self-supervised learning on raw, two-electrode frontal EEG, with no labels, we place each recording within a low-dimensional space in which anesthetic depth becomes one readable axis while the shape of a patient's path encodes additional structure. We validate the representation across two cohorts and two acquisition systems totaling more than 1,000 patients. Depth of anesthesia is predicted accurately (BIS mean absolute error = 3.2, R2 = 0.82), and in the sparse-montage setting our compact ( 68k parameter) model remains competitive with EEG foundation models orders of magnitude larger (4M-157M parameters), indicating that matching the representation to the recording dominates raw scale. The learned space organizes age along its own gradient, independent from depth, without supervision. The same space also aligns with interpretable anesthetic signatures like frontal alpha, slow-delta, and burst suppression, linking this data-driven representation to established neurophysiology. On an independent cohort with longitudinal follow-up, the geometry of the early trajectory separates 30- month cognitive and mortality outcomes complementary to age (AUROC 0.86). These results suggest that the path a brain traces through anesthesia is a label-efficient correlate of latent vulnerability, motivating prospective validation.
- Abstract（参考訳）: 全身麻酔は、標準化された制御された摂動の下で人間の脳を観察する稀な機会を提供する。
しかし、術中脳波検査(EEG)はほとんど常に単一の専門的な深度指数に減少し、豊富な軌道を1つの数に崩壊させ、脳が状態の間をどう動くかを捨てる。
ここでは、その軌跡の幾何学が、到達した深さだけでなく、臨床的に意味のある情報を持っているかどうかを問う。
類似性に基づく2電極前頭前頭脳波の自己教師学習をラベル無しで行い、各記録を1つの可読軸となる低次元空間に配置し、患者パスの形状が付加構造を符号化する。
我々は,2つのコホートと2つの取得システムにまたがる表現を1000人以上の患者で検証した。
麻酔の深さは正確に予測され(BISは絶対誤差 = 3.2, R2 = 0.82)、スパース・モンタージュ・セッティングでは、コンパクト(68kパラメータ)モデルが脳波基礎モデルの桁数(4M-157Mパラメータ)と競合し続けており、記録との整合が生のスケールを支配していることを示す。
学習された空間は、監督なしで、深さから独立して、自身の勾配に沿って年齢を編成する。
同じ空間は、前頭アルファ、スローデルタ、バースト抑制といった解釈可能な麻酔症状と一致し、このデータ駆動型表現を確立された神経生理学と結びつけている。
経年的追跡を伴う独立したコホートでは、初期軌跡の幾何学は年齢と相補的な30ヶ月の認知と死亡の結果を分離する(AUROC 0.86)。
これらの結果は、脳が麻酔を通して追跡する経路が潜伏する脆弱性のラベル効率の相関であり、将来的な検証を動機付けていることを示唆している。
関連論文リスト
- Now You Have My Healthy Attention: A U-DiT for Brain-MRI Inpainting [8.544231829756123]
塗装作業は、T1強調MRIのマスク領域内の健康な脳組織の解剖学的に妥当な完成を要求される。
決定論的回帰モデルを構築し、インペイントに適した帰納的バイアスを与えることに重点を置いています。
歪み-最適回帰に固有の残留な滑らかさを論じ、解剖学的リアリズムにその意味を論じる。
論文 参考訳（メタデータ） (2026-07-30T10:20:01Z) - ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。
ほとんどの被験者固有の脳構造は、時間とともに安定している。
ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
論文 参考訳（メタデータ） (2026-07-30T00:13:42Z) - STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning [0.0]
脳年齢は、時間的年齢からの逸脱が神経学的および精神医学的な負担を追跡できる新興バイオマーカーである。
5歳から81歳までの47,703回のセッションで事前学習した,安静状態とタスク脳波の自己教師型変換器STST-JEPAを紹介する。
論文 参考訳（メタデータ） (2026-07-07T12:19:54Z) - GeoSAE: Geometric Prior-Guided Layer-Wise Sparse Autoencoder Annotation of Brain MRI Foundation Models [8.51943483922984]
GeoSAEは、軽度認知障害(MCI)からAD変換を予測するコンパクトで完全に解釈可能な特徴セットを特定する。
このことは、幾何学誘導SAEが凍結脳MRI基礎モデルから解釈可能なバイオマーカーを抽出できることを示している。
論文 参考訳（メタデータ） (2026-05-03T11:42:25Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - An Algorithm for the Labeling and Interactive Visualization of the
Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。
閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。
本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文 参考訳（メタデータ） (2022-04-26T14:20:26Z) - Self-Supervised Longitudinal Neighbourhood Embedding [13.633165258766418]
縦横埋め込みという表現学習のための自己指導型戦略を提案する。
コントラスト学習の概念に動機づけられたLNEは、異なる対象の軌道ベクトル間の類似性を明示的にモデル化する。
2つのニューロイメージング研究の縦方向T1w MRIにLNEを適用します:274の健康な被験者からなるデータセットと、アルツハイマー病ニューロイメージングイニシアティブ。
論文 参考訳（メタデータ） (2021-03-05T17:55:53Z) - An anatomically-informed 3D CNN for brain aneurysm classification with
weak labels [0.2010294990327175]
弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。
当社のアプローチは,データセット生成の非自明な課題に端を発しています。
本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
論文 参考訳（メタデータ） (2020-11-27T08:00:54Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z)
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。