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。
機械学習法の多くは画像データに適用され,神経学的および神経精神病の臨床的に適切な画像シグネチャの構築を可能にする。しばしば,そのような方法は,疾患効果の不均一性を明示的にモデル化しないか,あるいは解釈できない非線形モデルを介してそれに近づく。さらに,教師なし方法は,関心の病理学に関連する異質性ではなく,脳構造または機能に影響を及ぼす, nu惑交絡因子によって駆動される不均一性を構文するかもしれない。一方,半教師つきクラスタリング法は,二分性サブタイプメンバーシップを導き,疾患不均一性が連続体に沿って空間的および時間的に広がるという真実を無視している。前述の限界に対処するために,ここでは,Sural-GAN(GANによるSemi-SUpeRvised ReprEsentAtion Learning)と呼ばれる新しい方法を提案した。横断的画像データを用い,半教師つきクラスタリング(正常コントロールから患者へのクラスターマッピング)の原則の下で疾患関連不均一性の根底にあるSural-GAN解離は,連続次元表現を提案し,各次元に沿った個々のレベルで患者の疾患重症度を推論する。モデルは,まず,変換方向を制御する潜在変数を有する,正常制御(CN)ドメインから患者(PT)ドメインへの変換関数を学習する。関数連続性,パターン直交性および単調性に関する正則化と共に逆写像関数も課せて,変換関数が臨床的重要性を有する意味のある画像パターンを捕捉することを確実にした。最初に,広範な半合成実験によりモデルを検証し,Alzheimer病(AD)における生物学的に妥当なイメージングパターンを捕捉する可能性を実証した。【JST・京大機械翻訳】