論文の概要: Leveraging a Foundation Model for the EEG-Based Diagnosis of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2608.27719v1
- Date: Thu, 27 Aug 2026 21:19:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.151159
- Title: Leveraging a Foundation Model for the EEG-Based Diagnosis of Alzheimer's Disease
- Title（参考訳）: アルツハイマー病の脳波診断のための基礎モデルの導入
- Abstract要約: 大型脳モデル(LaBraM)を用いた診断フレームワークを提案する。
LaBraMは2500時間以上のEEGデータで事前トレーニングされている。
- 参考スコア（独自算出の注目度）: 2.8158444830712175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biological heterogeneity in Alzheimer's Disease (AD) poses a critical diagnostic challenge, particularly for traditional linear methods that fail to capture non-linear neural dynamics. To address this, we propose a diagnostic framework utilizing the Large Brain Model (LaBraM), pretrained on over 2,500 hours of EEG data. By integrating these high-dimensional latent embeddings with a non-linear Random Forest classifier, our approach effectively isolates robust disease markers. Under a rigorous subject-independent 5-fold cross-validation protocol, the method achieves an ROC-AUC of 89.36% +/- 3.49%, PR AUC of 81.45% +/- 4.43%, and Balanced Accuracy of 82.44% +/- 4.34% in distinguishing dementia patients from healthy controls. Notably, this performance uses only 8-second EEG segments, surpassing traditional spectral baselines, including band-power and parameterized oscillatory features (FOOOF). Post-hoc occlusion analysis confirms the model captures clinically validated biomarkers, specifically occipital-frontal Alpha and Theta rhythm degradation. Additional neurophysiological alignment analysis demonstrated that higher LaBraM-predicted dementia probability significantly correlated with worse cognitive performance, greater clinical severity, increased theta and alpha relative power, and higher aperiodic exponent. These findings demonstrate that deep latent representations extract clinically relevant signatures from noisy signals, enabling precise, rapid, and data-efficient diagnosis.
- Abstract（参考訳）: アルツハイマー病(AD)における生物学的不均一性は、特に非線形神経力学を捉えるのに失敗する伝統的な線形法において重要な診断課題となる。
そこで本研究では,2500時間以上の脳波データを事前トレーニングしたLaBraM(Large Brain Model)を用いた診断フレームワークを提案する。
これらの高次元潜伏埋め込みを非線形ランダムフォレスト分類器と組み合わせることで,ロバストな疾患マーカーを効果的に分離する。
厳密な主題に依存しない5倍のクロスバリデーションプロトコルの下では、89.36%+/-3.49%のROC-AUC、81.45%+/-4.43%のPRAUC、82.44%+/-4.34%のバランス精度で、認知症患者と健康管理を区別する。
特に、このパフォーマンスは8秒のEEGセグメントしか使用せず、帯域パワーやパラメータ化発振機能(FOOOF)を含む従来のスペクトルベースラインを超えている。
閉経後オクルージョン分析では、このモデルが臨床的に検証されたバイオマーカー、特に前頭前頭前頭骨アルファとThetaのリズム劣化をキャプチャすることを確認した。
追加の神経生理学的アライメント分析により, 認知能力の低下, 臨床重症度の増加, セタ, アルファ相対力の増加, および高周期指数とLaBraM予測認知症確率が有意な相関を示した。
これらの結果から,深い潜伏表現はノイズ信号から臨床的に関連性のあるシグネチャを抽出し,正確な,迅速,データ効率の診断を可能にした。
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) - An Exploratory Analysis of Pain Localization via Explainable Computational Modeling [7.79980827398921]
本稿では,古典的特徴工学と深部シークエンス学習の体系的比較を行った。
時間領域、周波数領域、モダリティ特化、およびクロスモーダル記述子にまたがる115次元の手作り機能セットを、エンド・ツー・エンドのディープ・アーキテクチャに対してベンチマークする。
極端にランダム化された木は0.539の最高マクロF1を達成し、最高の深度モデルより7.4ポイント、EDAスペクトルが支配的な差別者として出現する。
論文 参考訳（メタデータ） (2026-07-22T03:53:07Z) - DeepTokenEEG Enhancing Mild Cognitive Impairment and Alzheimers Classification via Tokenized EEG Features [1.5567541813985162]
アルツハイマー病(AD)の診断を目的とした新しい軽量・高性能モデルDeepTokenEEGの開発
従来の重み付けモデルとは異なり、DeepTokenEEGは、AD関連バイオマーカーを効果的にキャプチャする空間的および時間的トークン化剤を人工化する。
DeepTokenEEGは特定の周波数帯で記録された最大精度を100%達成し、最先端の手法よりも1.41-15.35%向上した。
論文 参考訳（メタデータ） (2026-05-14T16:10:03Z) - AD-CARE: A Guideline-grounded, Modality-agnostic LLM Agent for Real-world Alzheimer's Disease Diagnosis with Multi-cohort Assessment, Fairness Analysis, and Reader Study [45.632341143278886]
不完全で不均一な入力からガイドラインに基づく診断を行うモダリティ診断剤であるAD-CAREを導入する。
専門的な診断ツールを動的にオーケストレーションすることにより、AD-CAREは実際の臨床出力と整合した透明なレポートスタイルのアウトプットを生成する。
論文 参考訳（メタデータ） (2026-03-26T11:10:01Z) - Machine learning-enhanced non-amnestic Alzheimer's disease diagnosis from MRI and clinical features [0.5523548738241298]
認知機能検査とMRIによる海馬萎縮の評価により,ほとんどのアルツハイマー病 (AD) 診断が記憶クリニックで行われている。
非定型的提示(atAD)を有するAD患者の実質的なサブグループは、日常的に誤診される。
本稿では,臨床検査用バッテリと標準医療として収集したMRIデータを用いて,atADと非AD認知障害を区別する機械学習手法を提案する。
論文 参考訳（メタデータ） (2026-01-21T23:32:17Z) - Cross-dataset Multivariate Time-series Model for Parkinson's Diagnosis via Keyboard Dynamics [1.4895002251586484]
パーキンソン病(PD)は世界的な課題となり、1000万人以上の人に影響を与えている。
本稿では,キーストロークダイナミックスを非侵襲的かつスケーラブルなバイオマーカーとして活用し,遠隔PDスクリーニングと遠隔監視を実現するパイプラインを提案する。
論文 参考訳（メタデータ） (2025-10-10T17:42:08Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - 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) - An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。
DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。
このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文 参考訳（メタデータ） (2025-06-25T13:42:26Z) - Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である
この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
論文 参考訳（メタデータ） (2025-02-18T12:01:55Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z)
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。