論文の概要: Beyond Feature Reliability: Repeat-Informed Multifractal Curve Regression for Brain-Age Prediction

• arxiv url: http://arxiv.org/abs/2609.29307v2
• Date: Mon, 28 Sep 2026 11:21:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 21:31:51.78339
• Title: Beyond Feature Reliability: Repeat-Informed Multifractal Curve Regression for Brain-Age Prediction
• Title（参考訳）: 特徴信頼性を超えて:脳年齢予測のための繰り返しインフォームドマルチフラクタル曲線回帰
• Abstract要約: マルチフラクタル曲線から安定な年齢予測パターンを学習するための構造化フレームワークである,Repeat-informed Multifractal Curve Regression (RMCR)を提案する。 RMCRは、一致したランレベルリッジベースラインに対して、HCP-Aでは6.1%、Cam-CANコホートでは7.9%の単ランMAEを減少させる。
• 参考スコア（独自算出の注目度）: 10.52438313229858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain-age prediction from resting-state fMRI provides a quantitative framework for characterizing age-related changes in spontaneous brain dynamics and for identifying functional signatures. Existing studies have linked fractal and multifractal scaling to age and examined the reliability of individual features. However, prediction repeatability depends on how features fluctuate jointly and how a predictor combines them, which feature-wise reliability assessments do not capture. To address this problem, we propose Repeat-informed Multifractal Curve Regression (RMCR), a structured framework for learning stable age-predictive patterns from multifractal curves. By jointly modeling curve structure and repeat-scan variability, RMCR learns predictive combinations of fluctuation orders that target both accuracy and within-subject consistency. Relative to a matched run-level ridge baseline, RMCR reduces single-run MAE by 6.1% on HCP-A and 7.9% on an external Cam-CAN cohort, and within-visit repeat absolute difference by 18.5% on HCP-A, using a single scan at inference.
• Abstract（参考訳）: 静止状態fMRIからの脳年齢予測は、自然発生脳の年齢変化を特徴づけ、機能的シグネチャを識別するための定量的な枠組みを提供する。 既存の研究では, フラクタルとマルチフラクタルのスケーリングを年齢に関連付け, 個々の特徴の信頼性について検討している。 しかし、予測の再現性は、機能が共同でどのように変動し、予測器がそれらをどのように組み合わせるかに依存する。 この問題に対処するために,マルチフラクタル曲線から安定した年齢予測パターンを学習するための構造化フレームワークであるRepeat-informed Multifractal Curve Regression (RMCR)を提案する。 RMCRは、曲線構造と繰り返しスキャンの可変性を共同でモデル化することにより、精度とオブジェクト内整合性の両方を目標とする揺らぎ順序の予測的組み合わせを学習する。 一致するランレベルの尾根のベースラインとは対照的に、RMCRは単一ランのMAEをHCP-Aで6.1%、外部のCam-CANコホートで7.9%削減する。

関連論文リスト

• Implicit Neural Representations for Multimodal Longitudinal Image Imputation and Interpolation [0.43554874937871363]
  腫瘍における経時的マルチパラメトリックMRIは経過観察の中心である。 実世界の臨床データは、欠落したシーケンス、不均一な取得プロトコル、時間点の様々な解像度によって特徴づけられる。 患者固有の暗黙的ニューラル表現(INR)を世界座標,時間,モダリティ条件の連続関数として,縦型MRIをモデル化する。
  論文  参考訳（メタデータ） (2026-08-03T14:47:10Z)
• Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data [0.9786690381850356]
  アルツハイマー病(AD)は、重症度を評価するための正確でスケーラブルなツールを必要とする。 自動かつ解釈可能なAD重度ステージングのための順序回帰を用いた注目強化型機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-10T08:26:11Z)
• StableMind: Source-Free Cross-Subject fMRI Decoding with Regularized Adaptation [39.71471941739569]
  クロスオブジェクトfMRI復号法は、通常、複数の被検体でモデルを訓練し、実際のfMRI画像データを用いて新しい被検体に適応させる。 新たなサブジェクトfMRIデータは、コストのかかるデータ取得のために制限されることが多く、以前の被験者の生データはアクセスできない場合がある。 本稿では,脳側表現安定性と画像側監視信頼性の向上を目的とした正規化適応フレームワークであるStableMindを提案する。
  論文  参考訳（メタデータ） (2026-05-04T13:35:29Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Leveraging Support Vector Regression, Radiomics and Dosiomics for Outcome Prediction in Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy (PULSAR) [5.497745780154633]
  本研究では,GTV(Grog tumor volume)の変化を予測するためのマルチオミクスベースサポートベクター回帰(SVR)モデルを開発することを目的とする。 脳転移69例の振り返りコホートを解析した。 デルタラジオグラフィー機能は、単一点における特徴に対して予測精度を高める上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2025-09-09T15:57:21Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。