論文の概要: Cross-disorder Learning of Imaging-derived Joint Mophometric Markers in Alzheimer's and Parkinson's Diseases
- arxiv url: http://arxiv.org/abs/2610.27150v1
- Date: Mon, 19 Oct 2026 18:44:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.459396
- Title: Cross-disorder Learning of Imaging-derived Joint Mophometric Markers in Alzheimer's and Parkinson's Diseases
- Title（参考訳）: アルツハイマー病とパーキンソン病における画像由来の関節筋電図マーカーの相互差学習
- Abstract要約: 本稿では,ADおよびPDに関連付けられた形態的バイオマーカーの解明を目的とした,明示的で解釈可能な空間適応型トランスファー学習フレームワークを提案する。
我々は、そのような高次元機械学習モデルを2つの人気のあるオープンソースのニューロイメージングデータセットに適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As two most prevalent neurodegenerative diseases (NDDs), Alzheimer's disease (AD) and Parkinson's disease (PD) shared commonalities both in symptomology and pathophysiology. However, to what extent and in what way these two distinct disorders overlap remain underexplored. In this study, we propose an explicit, interpretable and spatially adaptive transfer learning framework to elucidate the morphometric biomarkers linked to AD and PD. We applied such high-dimensional machine learning model to two most popular open-source neuroimaging datasets, i.e., Alzheimer's Disease Neuroimaging Initiative (ADNI) and Parkinson's Progression Markers Initiative (PPMI). On the one hand, our cross-disorder classifier revealed neuro-anatomical alteration patterns well aligning with previous neuroimaging research findings and underscoring patients' clinical presentations. On the other hand, the spatially adaptive trained classifier using shared prior achieved statistically superior diagnostic performance compared to respective individual models, which further highlights the cross-disorder framework's efficacy on modeling limited-size datasets across disease domains.
- Abstract（参考訳）: 2つの主要な神経変性疾患(NDD)として、アルツハイマー病(AD)とパーキンソン病(PD)は、症状と病態の両方において共通点を共有した。
しかし、これらの2つの異なる疾患がどの程度、どのように重なり合うかは未解明のままである。
本研究では,ADおよびPDに関連付けられた形態計測バイオマーカーの解明を目的とした,明示的で解釈可能な空間適応型トランスファー学習フレームワークを提案する。
このような高次元機械学習モデルを、最も人気のある2つのオープンソースのニューロイメージングデータセット、すなわちアルツハイマー病ニューロイメージングイニシアチブ(ADNI)とパーキンソン病進行マーカーイニシアチブ(PPMI)に適用した。
一方, クロスディディディショナー分類器では, 従来の神経画像所見とよく一致した神経解剖学的変化パターンを呈し, 患者の臨床像を強調した。
一方, 空間適応型訓練分類器は, 個々のモデルと比較して統計的に優れた診断性能を達成し, さらに, 疾患領域にまたがる限られたサイズのデータセットをモデル化する上で, クロスディディディショナブルフレームワークの有効性を強調した。
関連論文リスト
- Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - DW-DGAT: Dynamically Weighted Dual Graph Attention Network for Neurodegenerative Disease Diagnosis [8.44499917202584]
パーキンソン病(PD)とアルツハイマー病(AD)は神経変性疾患(ND)の2つである
多様な構造を持つ多次元データの高次元性、ニューロイメージングと表現型データの異質性、およびクラス不均衡は、初期のND診断に重大な課題を総括的に引き起こす。
論文 参考訳（メタデータ） (2026-01-15T02:21:46Z) - R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T02:54:10Z) - Multimodal Fusion of Regional Brain Experts for Interpretable Alzheimer's Disease Diagnosis [42.04444471115401]
アルツハイマー病診断のための多モード地域エキスパートフュージョンモデルMREF-ADを提案する。
これは、各モードにおけるメソスケール脳領域を独立した専門家としてモデル化し、2段階のゲーティングネットワークを用いて、主題固有の融合重み付けを学習するフレームワークである。
アルツハイマー病神経画像イニシアチブ(ADNI)のデータを用いて、MREF-ADはベースライン上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-11-30T02:12:12Z) - Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。
これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。
連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
論文 参考訳（メタデータ） (2025-11-06T20:16:33Z) - Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳（メタデータ） (2023-12-28T10:30:54Z) - Differential Diagnosis of Frontotemporal Dementia and Alzheimer's
Disease using Generative Adversarial Network [0.0]
前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。
2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。
医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2021-09-12T22:40:50Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-07-28T07:19:00Z) - Multimodal Gait Recognition for Neurodegenerative Diseases [38.06704951209703]
3つの神経変性疾患の歩容差を学習するための新しいハイブリッドモデルを提案する。
新しい相関メモリニューラルネットワークアーキテクチャは、時間的特徴を抽出するために設計されている。
いくつかの最先端技術と比較して,提案手法はより正確な分類結果を示す。
論文 参考訳（メタデータ） (2021-01-07T10:17:11Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。