論文の概要: MAC-Net: A Multi-Task Deep Learning Framework for Modeling Cognitive Function From Task-Based fMRI

• arxiv url: http://arxiv.org/abs/2609.33440v1
• Date: Sun, 27 Sep 2026 10:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:51:11.634345
• Title: MAC-Net: A Multi-Task Deep Learning Framework for Modeling Cognitive Function From Task-Based fMRI
• Title（参考訳）: MAC-Net:タスクベースfMRIによる認知機能モデリングのためのマルチタスクディープラーニングフレームワーク
• Abstract要約: タスクベースfMRI(tfMRI)から個々の認知機能をモデル化するためのマルチタスク・アクティベーション・コントラスト・ネットワーク(MAC-Net)を提案する。 MAC-NetはtfMRIの特徴を専用神経経路に分離し、変数を終端遅延融合経路に制限する。 MAC-Netは再現可能な認知機能推定を行い,臨床翻訳のための堅牢な神経工学的枠組みを確立した。
• 参考スコア（独自算出の注目度）: 2.063951345911127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective cognitive assessment from neural signals supports neurorehabilitation, but individual-level prediction from task-based fMRI (tfMRI) remains difficult because neural features coexist with substantial demographic and scanner-related variation. We present the Multi-task Activation and Contrast Network (MAC-Net), a covariate-aware deep learning framework for modeling individual cognitive function from regional tfMRI. By isolating tfMRI features into a dedicated neural pathway and restricting participant variables to a terminal late-fusion pathway, MAC-Net prevents dominant covariates from suppressing high-dimensional clinical representations during feature learning. Evaluating baseline data from 6,500 Adolescent Brain Cognitive Development Study participants under family-aware cross-validation, MAC-Net was benchmarked against linear models, random forests, and alternative deep architectures. The N-back plus Monetary Incentive Delay configuration achieved $R^{2}$ values of 0.174, 0.238, and 0.277 for fluid, crystallized, and total cognition, outperforming covariate-only baselines (0.178) and alternative deep models (0.217). N-back was the most informative paradigm, whereas incorporating the Stop Signal Task marginally degraded performance. Feature attributions via Integrated Gradients, DeepLIFT, and Input Gradient were highly concordant, localizing working-memory-related frontal, parietal, and cingulate regions. These findings demonstrate that covariate-aware multi-task modeling yields reproducible cognitive-function estimations, establishing a robust neural engineering framework for clinical translation.
• Abstract（参考訳）: ニューラルシグナルからの客観的認知評価は神経リハビリテーションを支持するが、タスクベースのfMRI(tfMRI)からの個々のレベルの予測は、かなりの人口統計学的およびスキャナー関連の変化と共存するため、依然として困難である。 地域tfMRIから個人認知機能をモデル化するための共変量対応ディープラーニングフレームワークであるMulti-task Activation and Contrast Network(MAC-Net)を提案する。 tfMRIの特徴を専用神経経路に分離し、参加者変数を終末遅延融合経路に制限することにより、MAC-Netは、特徴学習中に支配的共変体が高次元の臨床的表現を抑制するのを防ぐ。 6500人の青少年の脳認知発達研究参加者のベースラインデータを評価するため、MAC-Netは線形モデル、ランダム森林、代替の深層建築と比較した。 N-back + Monetary Incentive Delay構成は、流体、結晶化、全認知、共変量のみのベースライン(0.178)および代替深層モデル(0.217)に対して、0.174, 0.238, 0.277のR^{2}$値を達成した。 N-backは最も有益なパラダイムであり、Stop Signal Taskを組み込んだパフォーマンスはわずかに低下した。 Integrated Gradients, DeepLIFT, Input Gradientによる特徴属性は, 作業記憶関連前頭葉, 頭頂部, 節状領域の局在性が高く, 高い一致性を示した。 これらの結果から,共変量対応マルチタスクモデリングは再現可能な認知機能推定を導出し,臨床翻訳のための堅牢な神経工学的枠組みを確立した。

関連論文リスト

• A Gradient-based yet Spike-Timing-Dependent Solution to the Feedback Learning Problem in Neural Microcircuits [43.880352532823956]
  局所スパイクタイミングを用いた時間的クレジット割り当てをニューラルマイクロサーキット(NMC)がどのように解決するかは、根本的なオープンな疑問である。 ここでは、状態分離問題として時間的クレジット割り当てを再構成する。 これにより、トンネル勾配(GT)アルゴリズムとリードラグ拡張技術により、NMCのオンラインフィードバック学習フレームワークが実現される。 実験的に、GTトレーニングされたNMCは、長期的エビデンス統合とノイズロストメモリ保持において優れている。
  論文  参考訳（メタデータ） (2026-09-08T00:27:18Z)
• 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)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• Predicting Cognition from fMRI:A Comparative Study of Graph, Transformer, and Kernel Models Across Task and Rest Conditions [1.0832932170181544]
  本研究は,認知予測のための古典的機械学習(KRR)と高度ディープラーニング(DL)モデルを体系的にベンチマークした。 その結果,認知に直結したニューラル応答を誘発するタスクベースfMRIは,認知行動予測におけるRSfMRIよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-28T17:29:22Z)
• Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
  静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。 深層学習はこれらの表現を捉えることを約束している。 本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
  論文  参考訳（メタデータ） (2024-10-30T23:51:31Z)
• 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)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Interpretable Fusion Analytics Framework for fMRI Connectivity: Self-Attention Mechanism and Latent Space Item-Response Model [0.4893345190925178]
  本稿では,ディープラーニングプロセスの分類結果を解釈する新しい分析フレームワークを提案する。 この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:01:18Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)

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。