論文の概要: How Reliable Is Individualized Functional-Network Attribution in Resting-State fMRI Cognitive Prediction in ADNI?

• arxiv url: http://arxiv.org/abs/2610.37472v1
• Date: Tue, 27 Oct 2026 16:04:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.685652
• Title: How Reliable Is Individualized Functional-Network Attribution in Resting-State fMRI Cognitive Prediction in ADNI?
• Title（参考訳）: ADNIにおける静止状態fMRI認知予測における個々の機能ネットワーク属性の信頼性
• Abstract要約: 凍結した静止状態機能接続予測器におけるサブオブジェクトごとのネットワークアブレーション属性を評価する。 スプリット・ハーフの信頼性は近いが、スキャン・レスカンでは低下する。 ADNIでは、個人化されたネットワーク属性は、強い集団共有パターンの上に、控えめだがゼロではない個人固有のコンポーネントを含む。
• 参考スコア（独自算出の注目度）: 3.181316165953263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individualized attribution estimates which functional networks drive a model prediction for a given subject and is often proposed as an interpretable resting-state fMRI (rs-fMRI) biomarker, but its test-retest reliability is rarely quantified. We evaluate per-subject network-ablation attribution for a frozen resting-state functional connectivity (FC) predictor (Schaefer-200 FC predicting MMSE/ADAS-Cog13) trained on N=875 subjects from the Alzheimer's Disease Neuroimaging Initiative (ADNI), using, and (iii) a subject-level permutation null. Split-half reliability is near-ceiling (Spearman p=0.948/0.950) but drops on scan-rescan (p=0.609/0.616). Under the mismatched-subject null, correlations remain substantial (p~0.46-0.47), indicating strong population-shared structure, yet matched pairs exceed this null (z~6.6-6.9, p<=10-4). Thus, in ADNI, individualized network attribution contains a modest but non-zero person-specific component atop a strong population-shared pattern. We recommend reporting scan-rescan reliability together with a permutation-null control, rather than within-session proxies alone, to avoid overstating individual specificity.
• Abstract（参考訳）: 個々の属性は、どの関数ネットワークが対象のモデル予測を駆動するかを推定し、しばしば解釈可能な静止状態 fMRI (rs-fMRI) バイオマーカーとして提案されるが、そのテスト-再テストの信頼性は、ほとんど定量化されない。 我々は,アルツハイマー病神経画像イニシアチブ (ADNI) のN=875名を対象に訓練した凍結静止状態機能接続 (FC) 予測器 (Schaefer-200 FC predicting MMSE/ADAS-Cog13) のサブジェクトごとのネットワーク特性を評価する。 スピアマン p=0.948/0.950) が、スキャン・レスカン (p=0.609/0.616) で低下する。 ミスマッチした対象のヌルの下では、相関関係は強く(p~0.46-0.47)、強い集団共有構造を示すが、一致するペアはこのヌルを超える(z~6.6-6.9, p<=10-4)。 したがって、ADNIでは、個人化されたネットワーク属性は、強い集団共有パターンの上に、控えめだがゼロではない個人固有のコンポーネントを含む。 我々は、個々の特異性を過度に予測しないように、スキャン-スキャンの信頼性と置換-ヌル制御を報告することを推奨する。

関連論文リスト

• A Canary in the Neural Mine: Catching an Image Classifier's Silent, Confident Failures [5.053354418366577]
  Canary(カナリア)は、極小特徴のPCA残差のクラス毎のkNN距離を計算する訓練不要検出器である。 カナリアは5つのバックボーンにまたがる385のシフト細胞382と一致または改善する。
  論文  参考訳（メタデータ） (2026-10-19T14:41:03Z)
• Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
  クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。 共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。 このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
  論文  参考訳（メタデータ） (2026-08-08T13:22:14Z)
• EnTrust: Modeling Inter-Modal Conflict for Trustworthy Multimodal Medical Image Analysis [41.67522319355107]
  EnTrustは、モーダル間紛争を予測の不確実性の主要な原因として扱うフレームワークである。 最強のベースラインに比べてキャリブレーション誤差を40%削減しつつ、最先端のセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2026-06-19T12:43:50Z)
• Which Sparse Autoencoder Features Are Real? Model-X Knockoffs for False Discovery Rate Control [0.0]
  我々は, 偽発見率(FDR)を制御するために, knock-off+ を用いて, SAE特徴選択に Model-X ノックオフを導入する。 提案手法は,SAEと多重テスト認識推論を組み合わせることで,信頼性の高い特徴発見を実現するための,再現可能で原則化されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-11-12T17:12:45Z)
• FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
  本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。 提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。 実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-08-08T11:34:01Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• BayesNetCNN: incorporating uncertainty in neural networks for image-based classification tasks [0.29005223064604074]
  本稿では,標準的なニューラルネットワークをベイズニューラルネットワークに変換する手法を提案する。 本研究では,各前方パスにおいて,元のものと類似した異なるネットワークをサンプリングすることにより,予測のばらつきを推定する。 我々は、アルツハイマー病患者の脳画像の大きなコホートを用いて、我々のモデルを検証した。
  論文  参考訳（メタデータ） (2022-09-27T01:07:19Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Nonparametric Score Estimators [49.42469547970041]
  未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。 正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。 カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
  論文  参考訳（メタデータ） (2020-05-20T15:01:03Z)

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。