抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
予測モデルは,神経画像データにおける疾患関連の変化を分析するとき,被験者特異的推論を可能にする。被験者のデータを与えると,推論は2つのレベルで行うことができる。すなわち,対象者に対する識別条件の存在と局所的,すなわち,被験者のデータから抽出された個々の測定に対する条件の影響を検出することである。グローバル推論は広く使われているが,既存のモデルはしばしば分散した孤立した島から構成される雑音のある検出を生じるので,主観的な影響マップを形成するために使用できる局所推論はめったに使用されない。本論文では,予測モデリング手法,特に二値分類器の主観的な検出を改善するために,RSMと名付けた再構成法を提案した。RSMは,分類器を訓練するための事例の有限サンプルを用いることに関連するサンプリング誤差による雑音を低減することを目的としている。提案した方法は,診断的方法,すなわち条件存在に関する情報なしで,異なる二値分類器を用いて使用できるwrapper型アルゴリズムである。再構成は,パラメータが分類器特異的方法で訓練データから推定される事前モデルによる最大事後問題として提起される。実験的評価は,アルツハイマー病神経イメージングイニシアティブ(ADNI)データベースからの総合的に生成されたデータとデータについて行われる。合成データに関する結果は,RSMを用いることにより,直接またはブートストラップ平均化を用いた場合と比較して,より高い検出精度が得られることを示した。ADNIデータセットに関する解析により,RSMは皮質厚データにおける被験者特異的検出と,ミニ精神状態検査スコアおよび脳脊髄液アミロイドβレベルのようなアルツハイマー病(AD)の非イメージングマーカーの間の相関を改善できることを示した。長期ADNIデータセットに関するさらなる信頼性研究により,RSMを用いたときの検出信頼性の改善を示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】