論文の概要: BRIDGE: Learning Brain-Gut Metabolic Evidence for Alzheimer's Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2610.39520v1
• Date: Thu, 29 Oct 2026 07:18:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:32:22.438037
• Title: BRIDGE: Learning Brain-Gut Metabolic Evidence for Alzheimer's Disease Diagnosis
• Title（参考訳）: BRIDGE:アルツハイマー病診断のための脳ガス代謝証拠の学習
• Abstract要約: アルツハイマー病(AD)の診断は、脳と神経の相互作用に関連する代謝情報の恩恵を受ける可能性がある。 BRIDGEは脳経路のメタボリック知識を脳のみの診断に伝達するためのフレームワークである。
• 参考スコア（独自算出の注目度）: 42.95394101197925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alzheimer's disease (AD) diagnosis may benefit from gut metabolic information associated with brain-gut interactions, yet existing models largely analyze cerebral glucose metabolism alone. Although whole-body fluorodeoxyglucose positron emission tomography (FDG-PET) can provide paired brain-gut observations, routine brain examinations rarely include gut imaging, limiting direct use of this information for diagnosis. In this paper, we present BRIDGE (Brain and Gut Representation Integration via Distribution-Guided Enhancement), a two-stage framework for transferring brain-gut metabolic knowledge to brain-only diagnosis. Specifically, BRIDGE integrates a conditional brain-to-gut latent transport module and a disease-evidence-guided cerebral pathway to capture subject-specific cross-organ correspondence and disease-relevant cerebral representations. For the cerebral pathway, a large language model (LLM) helps organize literature-derived descriptors into human-approved semantic anchors that guide feature learning. Additionally, we introduce a counterfactual-guided residual fusion mechanism, which uses matched and non-matched virtual-gut evidence to supervise a confidence gate and dynamically regulate the contribution of transported cross-organ information. At inference, BRIDGE exploits complementary gut-related context using brain PET alone, without measured gut PET. Extensive experiments across public and private cohorts demonstrate that BRIDGE outperforms brain-only and cross-organ baselines, achieving AUC gains of 6.0% and 5.2% over its brain-only counterpart for CN/MCI and CN/AD diagnosis, respectively. Notably, its ability to transfer complementary brain-gut metabolic context while preserving brain PET as the sole inference input highlights its potential for clinically practical diagnosis. Our code is available at https://github.com/CUHK-AIM-Group/BRIDGE.
• Abstract（参考訳）: アルツハイマー病(AD)の診断は、脳と胃の相互作用に関連する代謝情報から恩恵を受けるが、既存のモデルでは、主に脳のグルコース代謝を解析している。 フルオロデオキシグルコースポジトロン線トモグラフィー(FDG-PET)は2つの脳溝の観察を行うことができるが、通常の脳検査では腸内画像検査はめったに行われず、診断にこの情報を直接使用するのが制限される。 本稿では,脳みそ代謝の知識を脳のみの診断に伝達する2段階のフレームワークBRIDGEについて述べる。 具体的には、BRIDGEは、条件付き脳から舌への潜伏輸送モジュールと、病原性誘導脳経路を統合して、被検体特異的なクロス組織対応と疾患関連脳表現を捕捉する。 脳の経路において、大きな言語モデル(LLM)は、文学から派生した記述子を、特徴学習を導く人間の承認されたセマンティックアンカーに編成するのに役立つ。 さらに,整合性および非整合性仮想ゲージの証拠を用いて信頼ゲートを監督し,輸送された有機体情報の寄与を動的に制御する,反事実誘導型残留核融合機構を導入する。 推測では、BRIDGEは、測定された腸内PETを使わずに、脳PETのみを使用して補完的な腸関連コンテキストを利用する。 パブリックコホートとプライベートコホートにまたがる大規模な実験により、BRIDGEは脳のみのベースラインと臓器横断ベースラインより優れており、それぞれCN/MCIとCN/ADの診断において、AUCの6.0%と5.2%のアップを達成している。 特に、単独の推論入力として脳PETを保存しながら、相補的な脳-歯の代謝コンテキストを伝達する能力は、臨床的な診断の可能性を浮き彫りにしている。 私たちのコードはhttps://github.com/CUHK-AIM-Group/BRIDGEで公開されています。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Beyond the Snapshot: Brain Tokenized Graph Transformer for Longitudinal Brain Functional Connectome Embedding [4.7719542185589585]
  脳機能コネクトーム(FC)をベースとしたグラフニューラルネットワーク(GNN)は、アルツハイマー病(AD)などの神経変性疾患の診断と予後に有用なツールとして登場した。 しかし、これらのモデルは、FC軌跡を特徴付けるのではなく、単一の時点における脳内FC用に調整されている。 本研究は神経変性疾患の診断と予後に応用した,脳内FC軌道埋め込みのための最初の解釈可能な枠組みを提案する。
  論文  参考訳（メタデータ） (2023-07-03T08:57:30Z)
• Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
  脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。 被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。 アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
  論文  参考訳（メタデータ） (2023-03-11T14:04:58Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
  BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。 我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
  論文  参考訳（メタデータ） (2022-08-05T07:54:10Z)
• BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck [38.281423869037575]
  機能的磁気共鳴画像(fMRI)解析のための新しいグラフニューラルネットワーク(GNN)フレームワークBrainIBを提案する。 BrainIBは、脳内の最も情報に富むエッジ(つまり、部分グラフ)を識別し、目に見えないデータにうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-05-07T09:35:23Z)
• 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。