
統合勾配相関法は、データセット全体の入力特徴寄与を要約し、モデルの戦略を明らかにする。


coremsg

画像特徴の脳内表現を解明する統合勾配相関法

title_rewrite


Wills Alignerは、解剖学的整列、脳専門家の混合、および共通性知識と多様な認知パターンの学習の2段階アプローチを組み合わせることで、多被験者脳視覚表現学習の課題に取り組む。


脳活動を基にした頑健な多被験者視覚表現学習器-wills-aligner-


脳活動を基にした頑健な多被験者視覚表現学習器「Wills Aligner」



高齢者の認知機能低下を捉えるバイオマーカーとしての「脳年齢」の有用性は限定的である。「脳年齢」は個人の年齢情報とほぼ重複しており、年齢以外の情報をほとんど提供しない。また、「脳年齢」予測モデルの性能が高いからといって、必ずしも認知機能の説明力が高いわけではない。さらに、MRIデータから直接認知機能を予測するモデルを使うことで、「脳年齢」では捉えられない認知機能の変動を捉えられることが示された。


Fluid cognition usually declines as people grow older. For decades, neuroscientists have been on a quest to search for a biomarker that can help capture fluid cognition. One well-known candidate is Brain Age, or a predicted value based on machine-learning models built to predict chronological age from brain MRI data. Here we aim to formally evaluate the utility of Brain Age as a biomarker for capturing fluid cognition among older individuals. Using 504 aging participants (36-100 years old) from the Human Connectome Project in Aging, we created 26 age-prediction models for Brain Age based on different combinations of MRI modalities. We first tested how much Brain Age from these age-prediction models added to what we had already known from a person’s chronological age in capturing fluid cognition. Based on the commonality analyses, we found a large degree of overlap between Brain Age and chronological age, so much so that, at best, Brain Age could uniquely add only around 1.6% in explaining variation in fluid cognition. Next, the age-prediction models that performed better at predicting chronological age did NOT necessarily create better Brain Age for capturing fluid cognition over and above chronological age. Instead, better-performing age-prediction models created Brain Age that overlapped larger with chronological age, up to around 29% out of 32%, in explaining fluid cognition, thus not improving the models’ utility to capture cognitive abilities. Lastly, we tested how much Brain Age missed the variation in the brain MRI that could explain fluid cognition. To capture this variation in the brain MRI that explained fluid cognition, we computed Brain Cognition, or a predicted value based on prediction models built to directly predict fluid cognition (as opposed to chronological age) from brain MRI data. We found that Brain Cognition captured up to an additional 11% of the total variation in fluid cognition that was missing from the model with only Brain Age and chronological age, leading to around a 1/3-time improvement of the total variation explained. Accordingly, we demonstrated the limited utility of Brain Age as a biomarker for fluid cognition and made some suggestions to ensure the utility of Brain Age in explaining fluid cognition and other phenotypes of interest.

### Competing Interest Statement

The authors have declared no competing interest.

The (Limited?) Utility of Brain Age as a Biomarker for Capturing Fluid Cognition in Older Individuals

高齢者の認知機能低下を捉えるバイオマーカーとしての-脳年齢-の限界的な有用性


高齢者の認知機能低下を捉えるバイオマーカーとしての「脳年齢」の限界的な有用性



男女の脳機能ネットワークには性別特異的な非対称性の違いがある。男性は視覚や注意機能の非対称性が強く、女性は言語機能の非対称性が強い。


性別特異的な脳機能ネットワークの非対称性の統計的検証


CSNNはEEGを使用してブレーキ意図を検出し、高い予測精度を達成します。


脳予測を検出するための畳み込みスパイクニューラルネットワークによる脳電図の利用


EEG信号処理におけるJEPAsの潜在的な可能性と課題を探求する。


eeg信号処理におけるjepasの潜在能力と課題


EEG信号処理におけるJEPAsの潜在能力と課題



BCIを拡張し、認知障害者に利益をもたらす新しいBAIの概念と可能性を紹介。


脳-人工知能インターフェースの会話


人間の脳活動は、フェイクとリアルのオーディオに対して異なるパターンを示す。


人間の脳は-フェイクとリアルのオーディオを聴いた際に異なるパターンを示す


人間の脳は、フェイクとリアルのオーディオを聴いた際に異なるパターンを示す



脳コネクトーム分析における学習可能なコミュニティ意識型トランスフォーマーの重要性と効果を示す。


脳コネクトーム分析のための学習可能なコミュニティ意識型トランスフォーマーとトークンクラスタリング


脳波信号を使用して人間の視覚情報をデコードし、再構築する新しいフレームワークの開発とその成果に焦点を当てる。


eegを用いた視覚デコーディングと再構築-ガイド付き拡散法を用いたeeg埋め込みによる視覚デコーディング


EEGを用いた視覚デコーディングと再構築：ガイド付き拡散法を用いたEEG埋め込みによる視覚デコーディング
