JP2022507861A - 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム - Google Patents
脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム Download PDFInfo
- Publication number
- JP2022507861A JP2022507861A JP2021528405A JP2021528405A JP2022507861A JP 2022507861 A JP2022507861 A JP 2022507861A JP 2021528405 A JP2021528405 A JP 2021528405A JP 2021528405 A JP2021528405 A JP 2021528405A JP 2022507861 A JP2022507861 A JP 2022507861A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- brain
- functional
- human
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Signal Processing (AREA)
- Hospice & Palliative Care (AREA)
- Neurosurgery (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- High Energy & Nuclear Physics (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
Abstract
Description
そのため、本分野では、より有効で、より早期でかつより正確に精神疾患に対して個別的予測を行う方法およびシステムの開発が切望されている。
(a) データの獲得:非ヒト霊長類動物およびヒトの機能磁気共鳴データを獲得する工程、
(b) 前処理:前記機能共鳴データに基づき、それぞれ非ヒト霊長類動物およびヒトの脳領域の間のピアソン相関係数を計算することにより、それぞれヒト霊長類動物およびヒトの全脳機能コネクトームを構築する工程、
(c) 脳領域の選択:前記前処理の非ヒト霊長類動物の処理結果から、関連するグループ変数に基づいた特徴選択アルゴリズムを使用し、病理に関連する特徴脳領域を得る工程、
(d) 特徴の構築:前記脳領域の選択で得られた特徴脳領域および前処理で得られたヒト機能コネクトームに基づき、特徴脳領域に接続する機能接続を選んでヒトの機能接続特徴集合を構築する工程、
(e) 特徴のスクリーニング:前記特徴の構築で得られた機能接続特徴集合に基づき、関連する特徴選択アルゴリズムを使用し、冗長な特徴を除去し、最適機能接続特徴部分集合を得る工程、ならびに
(f) モデリング・予測:前記特徴のスクリーニングで得られた最適機能接続特徴部分集合に基づき、回帰分析を行うことにより、精神疾患の予測モデルを得る工程
を含む方法を提供する。
もう一つの好適な例において、前記の精神疾患の予測モデルは、ある対象の精神疾患の罹患の有無の補助診断および/または早期診断に使用される。
もう一つの好適な例において、前記の対象はヒトである。
もう一つの好適な例において、前記の機能磁気共鳴データは安静時機能磁気共鳴データを含む。
もう一つの好適な例において、前記非ヒト霊長類動物は、サル、チンパンジー、またはこれらの組み合わせからなる群から選ばれる。
もう一つの好適な例において、前記非ヒト霊長類動物は正常野生型および精神疾患非ヒト霊長類動物モデルを含む。
もう一つの好適な例において、前記ヒトは正常者および精神疾患に罹患しているヒトを含む。
もう一つの好適な例において、工程(c)では、前記関連するグループ変数の特徴選択アルゴリズムは、グループ最小角回帰アルゴリズム(group lasso)を含む。
もう一つの好適な例において、工程(e)では、前記関連する特徴選択アルゴリズムは、最小絶対値縮小選択演算子(lasso)を含む。
もう一つの好適な例において、工程(c)では、グループ最小角回帰アルゴリズム(group lasso)により、前記非ヒト霊長類動物の全脳機能コネクトームから関連脳領域をスクリーニングすることにより、前記非ヒト霊長類動物の前記精神疾患に関連する特徴脳領域を得る。
Aは全脳機能接続行列を表し、特徴行列Aにおける同一の脳領域のノードgに接続する列を一つのグループ(脳領域)に分け、[A]gで表す。
Wgは第gグループの加重値(グループの要素数の平方根)を表す。
yは非ヒト霊長類動物精神疾患グループ(1)または正常野生型グループ(0)を表す。
[X]gは相応するグループの係数を表す。
RNはN次元実数を表す。
Gはグループの合計数を表す。)
もう一つの好適な例において、工程(e)では、最小絶対値縮小選択演算子(lasso)方法により、前記機能接続特徴集合から冗長な特徴を除去することで、最適機能接続特徴部分集合を得る。
Xは解の係数を表す。
RPはP次元実数を表す。
yは精神疾患者(1)または正常被験者(0)を表す。
λはモデルがトレーニングデータをフィッテイングしすぎないようにするための正則化パラメーターを表し、取れる値がMATLAB(登録商標)におけるlasso関数のデフォルト方法によって算出される。)
もう一つの好適な例において、工程(f)では、スパースロジスティック回帰法によって回帰分析を行う。
Sはlassoによってスクリーニングされた最適機能接続特徴部分集合を表す。
Wは解の係数を表す。)
もう一つの好適な例において、前記予測はヒトの精神疾患に対する予測を含む。
もう一つの好適な例において、前記精神疾患は自閉症および強迫性障害を含む。
もう一つの好適な例において、前記強迫性障害は自閉症に類似する臨床所見を有する強迫性障害を含む。
もう一つの好適な例において、前記方法は非診断的で非治療的なものである。
(a) データ獲得モジュールで、非ヒト霊長類動物およびヒトの機能磁気共鳴データを獲得するためのモジュール、
(b) 前処理モジュールで、前記機能共鳴データに基づき、それぞれ非ヒト霊長類動物およびヒトの脳領域の間のピアソン相関係数を計算することにより、それぞれ非ヒト霊長類動物およびヒトの全脳機能コネクトームを構築するモジュール、
(c) 脳領域選択モジュールで、前記前処理の非ヒト霊長類動物の処理結果から、関連するグループ変数に基づいた特徴選択アルゴリズムを使用し、病理に関連する特徴脳領域を得るモジュール、
(d) 特徴構築モジュールで、前記脳領域の選択で得られた特徴脳領域および前処理で得られたヒト機能コネクトームに基づき、特徴脳領域に接続する機能接続を選んでヒトの機能接続特徴集合を構築するモジュール、
(e) 特徴スクリーニングモジュールで、前記特徴の構築で得られた機能接続特徴集合に基づき、関連する特徴選択アルゴリズムを使用し、冗長な特徴を除去し、最適機能接続特徴部分集合を得るモジュール、ならびに
(f) モデリング・予測モジュールで、前記特徴のスクリーニングで得られた最適機能接続特徴部分集合に基づき、回帰分析を行うことにより、精神疾患の予測モデルを得るモジュール
を含むシステムを提供する。
もう一つの好適な例において、前記特徴脳領域は精神疾患に関連する特徴脳領域である。
もう一つの好適な例において、前記の精神疾患は、自閉症、強迫性障害、注意欠陥・多動性障害、統合失調症、うつ病、双極性障害、妄想性障害からなる群から選ばれる。
もう一つの好適な例において、前記の精神疾患は自閉症および強迫性障害である。
もう一つの好適な例において、前記強迫性障害は自閉症に類似する臨床所見を有する強迫性障害を含む。
もう一つの好適な例において、前記の精神疾患は自閉症および強迫性障害で、かつ前記の特徴脳領域は自閉症に関連する特徴脳領域である。
もう一つの好適な例において、前記自閉症に関連する特徴脳領域は、左側中央側頭葉皮質(TCc)、右側上側頭葉皮質(TCs)、右側腹外側前頭前皮質(PFCvl)、右側一次体性感覚野皮質(S1)、右側一次運動皮質(M1)、左側前帯状皮質(CCa)、右側中央外側前頭前皮質(PFCcl)、左側上頭頂葉皮質(PCs)、右側背外側前頭前皮質(PFCdl)、またはこれらの組み合わせからなる群から選ばれる。
(a) データ入力モジュールで、ある対象の脳部の機能磁気共鳴画像データを入力し、そして全脳機能コネクトームを構築するためのモジュール、
(b) 特徴脳領域-精神疾患判定処理モジュールで、精神疾患に関連する特徴脳領域に基づき、県連する最適機能接続特徴集合を構築し、所定の判断基準によって分析処理を行うことにより、補助診断結果を得るが、ここで、前記の判断基準は本発明の第一の側面に記載の精神疾患の予測モデルを確定する方法または本発明の第二の側面に記載の精神疾患予測システムによって提供されるものであるモジュール、ならびに
(c) 補助診断結果出力モジュールで、前記の補助診断結果を出力するためのモジュール
を含むシステムを提供する。
もう一つの好適な例において、前記の対象はヒトである。
もう一つの好適な例において、前記の対象は嬰幼児、青少年または成人を含む。
もう一つの好適な例において、前記の特徴脳領域-精神疾患判定処理モジュールは、プロセッサー、および特徴脳領域を記憶している記憶装置を含む。
もう一つの好適な例において、前記の出力モジュールは、ディスプレイ、プリンター、携帯電話、タブレットを含む。
もう一つの好適な例において、前記の各モジュールは有線または無線の形態によって接続している。
もう一つの好適な例において、前記強迫性障害は自閉症に類似する臨床所見を有する強迫性障害を含む。
もう一つの好適な例において、前記自閉症に関連する特徴脳領域は、左側中央側頭葉皮質(TCc)、右側上側頭葉皮質(TCs)、右側腹外側前頭前皮質(PFCvl)、右側一次体性感覚野皮質(S1)、右側一次運動皮質(M1)、左側前帯状皮質(CCa)、右側中央外側前頭前皮質(PFCcl)、左側上頭頂葉皮質(PCs)、右側背外側前頭前皮質(PFCdl)、またはこれらの組み合わせからなる群から選ばれる。
(a) ある対象からの機能磁気共鳴データを提供する工程、
(b) 前記対象の機能磁気共鳴データに基づいて入力された機能磁気共鳴データに対して全脳機能コネクトームの構築を行うことを含む精神疾患予想処理を行い、前記特徴脳領域に基づき、関連する最適機能接続特徴集合を構築し、所定の判断基準によって予測することにより、補助診断結果を得る工程を含み、
ここで、前記の判断基準は本発明の第一の側面に記載の精神疾患の予測モデルを確定する方法または本発明の第二の側面に記載の精神疾患予測システムによって提供されるものである方法を提供する。
もう一つの好適な例において、前記の機能磁気共鳴データは安静時機能磁気共鳴データを含む。
もう一つの好適な例において、前記の対象はヒトである。
本発明者は、深く幅広く研究したところ、初めて、非ヒト霊長類動物モデルを利用し、サル-ヒト種間の精神疾患関連性を行い、そして初めて、有効で、正確な非ヒト霊長類モデルに基づいて臨床精神疾患に対して個別的予測を行う方法およびシステムを開発した。具体的に、半発明者は、非ヒト霊長類モデルで病理回路に関連する特徴脳領域を取り出し、そして一連のアルゴリズムによって冗長な特徴を除去し、最適な機能接続特徴部分集合を得、さらに回帰モデルによって個体に対して予測を行う。本発明の方法およびシステムは、非侵襲的、正確率が高い、敏感性が高い、特異性が良い、普及しやすいといった多くの特徴がある。これに基づき、本発明を完成させた。
本明細書で用いられるように、用語「全脳機能コネクトーム」とは、機能磁気共鳴画像データにおける大脳の任意の2つの脳領域の時間信号の間の相関係数で構成される全脳接続行列である。
本明細書で用いられるように、用語「特徴選択」とは、指定された特徴集合から関連特徴部分集合を選び出す過程である。
本明細書で用いられるように、用語「最小絶対値縮小選択演算子」とは、特徴選択と正則化(数学)を同時に行う回帰分析方法で、最初はスタンフォード大学の統計学教授Robert Tibshiraniによって1996年にLeo Breimanの非負圧縮推定量(non-negative garrote)に基づいて提案された。
本明細書で用いられるように、用語「グループ最小角回帰アルゴリズム」とは、最小絶対値縮小選択演算子をグループ変数に拡張する特徴選択と正則化(数学)の回帰分析方法である。
本明細書で用いられるように、用語「含む」または任意のほかの類似する用語とは、非排他的に包括することで、よって一連の要素を含む過程、方法、物品または設備/装置はその要素のみならず、明確に挙げられていないほかの要素、あるいはその過程、方法、物品または設備/装置の固有の要素を含む。
本発明は、脳機能地図のサル-ヒト種間移行に基づいた精神疾患の個別的予測方法を提供する。
一つの好適な実施形態において、本発明の方法は、以下の工程を含む:
工程a:非ヒト霊長類精神疾患モデルの脳機能地図を利用して特徴脳領域を取り出す:
a1:核磁気共鳴スキャナーによって精神疾患モデルアカゲザルおよび正常野生型アカゲザルのサンプルの機能磁気共鳴データを採取する;
a2:サル-ヒト脳領域が1対1の相応関係を有する全脳テンプレートから、各アカゲザルサンプルのそれぞれ2つの脳領域の時間信号の間のピアソン相関係数を計算してアカゲザルサンプルの全脳機能コネクトームを構築する;
a3:全脳機能接続行列における同一の脳領域のノードに接続する機能接続を一つのグループ(脳領域)に分け、グループ最小角回帰アルゴリズム(group lasso)によってすべてのサンプルのモデリングに対して脳領域レベルの特徴選択を行い、病理回路に関連する特徴脳領域を取り出す;
b1:ヒトサンプルの機能磁気共鳴データを獲得する;
b2:サル-ヒト脳領域が1対1の相応関係を有する全脳テンプレートから、各ヒトサンプルのそれぞれ2つの脳領域の時間信号の間のピアソン相関係数を計算してヒトサンプルの全脳機能コネクトームを構築する;
b3:工程aで取り出された特徴脳領域に基づき、ヒトサンプルの全脳機能コネクトームから特徴脳領域に接続するすべての機能接続を取り出し、ヒトサンプルの機能接続特徴集合を構築する:
工程c:最小絶対値縮小選択演算子(lasso)方法によって特徴集合から冗長な特徴を除去し、最適な機能接続特徴部分集合を得る;
工程bで各ヒトサンプルの機能接続特徴集合が得られ、最小絶対値縮小選択演算子(lasso)方法によってヒトサンプルの機能接続特徴集合から冗長な特徴を除去し、最適な機能接続特徴部分集合を得る;
工程d:最適機能接続特徴部分集合に基づいてスパースロジスティック回帰によって予測モデルを構築する:
工程cでヒトサンプルの最適機能接続特徴部分集合が得られ、スパースロジスティック回帰によって予測モデルのモデリングを行い、スパースロジスティック回帰の入力は得られた最適機能接続特徴部分集合である;
工程e:予測モデルで個体に対して精神疾患お予測を行う:
予測される個体の工程cで得られた最適機能接続特徴部分集合を取り出し、そして工程dで得られた予測モデルを入力し、予測される個体の精神疾患を予測する。
本発明によって提供される精神疾患の個別的予測方法に基づき、本発明は、相応する精神疾患の個別的予測システムも提供する。
図5に示すように、一つの代表的なシステムは、データ獲得モジュール、前処理モジュール、脳領域選択モジュール、特徴構築モジュール、特徴スクリーニングモジュール、およびモデリング・予測モジュールを含んでもよい。ここで、データ獲得モジュールは、非ヒト霊長類動物およびヒトの機能磁気共鳴データを獲得するためのものである。前処理モジュールは、それぞれ非ヒト霊長類動物およびヒトの脳領域の間のピアソン相関係数を計算することにより、非ヒト霊長類動物およびヒトの全脳機能コネクトームを構築するためのものである。脳領域選択モジュールは、前処理の非ヒト霊長類動物の処理結果から、関連するグループ変数に基づいた特徴選択アルゴリズムを使用し、病理に関連する特徴脳領域を得るものである。特徴構築モジュールは、脳領域の選択で得られた特徴脳領域および前処理された機能コネクトームに基づき、ヒトの機能接続特徴集合を構築するものである。特徴スクリーニングモジュールは、前記特徴構築モジュールで得られた機能接続特徴集合に基づき、関連する特徴選択アルゴリズムを使用し、冗長な特徴を除去し、最適な機能接続特徴部分集合を得るものである。モデリング・予測モジュールは、特徴スクリーニングモジュールで得られた最適機能接続特徴部分集合に基づき、回帰分析を行うことにより、精神疾患の予測モデルを得、予測される個体に対して精神疾患の予測をするものである。説明が必要なのは、上記実施例によって提供される脳機能地図のサル-ヒロ種間移行に基づいて精神疾患の個別的予測を行うシステムで精神疾患の個別的予測を行う場合、上記各機能モジュールの区別を例として挙げた説明にすぎず、実際の応用では、実際の要求および操作の便利性を考慮して上記機能モジュールのいくつかを組み合わせて一つのモジュールにしたり一つのモジュールを子機能モジュールに分解して上記機能を完成させたりすることができる。それらのモジュールの名称は場合によって当該モジュール自体に対する限定にならず、各モジュールまたは工程を区別するためのもので、本発明に対する不当な限定とみなされない。
もちろん、上記システムの実施例は上記方法の実施例を実行するために使用することができ、その技術原理、解決する技術課題および生じる技術効果が類似し、属する技術分野の技術者は明確に理解することができ、記述の便宜および簡潔さのため、上記で記述されたシステムの具体的な稼働過程は、前記方法の実施例における相応する過程を参照し、ここで重複説明を省略する。
なお、以上では、それぞれ本発明のシステムの実施例と方法の実施例を記述したが、本発明の制限ではなく、一つの実施例に対して記述された詳細はもう一つの実施例にも応用することができる。
説明が必要なのは、本明細書に関連するブロック図は本明細書で示された形態に限らず、ほかの分割および/または組み合わせも可能である。
また、説明が必要なのは、図面における記号および文字はより明確に本発明を説明するためのものにすぎず、本発明の保護範囲に対する不当な限定と見なされない。
(a) 初めて、脳機能地図のサル-ヒト種間移行に基づいた精神疾患の個別的予測方法を提供し、高正確性、高敏感性、高特異性を有する。
(b) 本発明では、非ヒト霊長類動物モデルに基づいて特徴の選択を行い、非ヒト霊長類モデルは発病機序が比較的に単一で、疾患モデルが大幅に簡略化され、従来のアルゴリズムにおける表現型の異質性および遺伝異質性の高いヒト臨床サンプルによる取り出される特徴の不一致を避け、疾患に関連しない要素が可能な限り排除、制御され、より正確な精神疾患の病理回路の基礎の発見を促進する。
(c) 本発明では、人工知能/機械学習により、非ヒト霊長類動物モデルの機能コネクトームに基づいて脳領域のレベルで精神疾患の病理回路の基礎を認識し、より正確に精神疾患の病理回路に関連する異常な脳領域を確定する。
(d) 本発明では、種間の機械学習より、莫大なヒト脳疾患の画像データを深くマイニングして分析し、ヒト患者の診断の予測に有用な脳地図の特徴を取り出すことにより、サル-ヒト移行可能な画像学研究を行い、そしてヒトに対して精神疾患の個別的予測を行う。
(e) 本発明では、人工知能の予測アルゴリズムで個別的予測を行う場合、完全にヒトサンプルの脳領域信号のモデル研究によって個別的予測を行い、その過程では人工的な判断の関与がなく、主観的な要素による誤差が避けられる。
(f) ヒトサンプルに基づいて取り出される特徴脳領域の予測モデルと比較すると、本発明の脳機能地図のサル-ヒト種間移行に基づいた精神疾患予測アルゴリズムは従来のアルゴリズムにおけるヒト臨床サンプルに基づいたモデルよりも高い予測の正確率、敏感性および特異性を有する。
(g) 本発明では、非ヒト霊長類精神疾患モデルの脳機能地図で特徴脳領域を取り出し、サル-ヒト移行可能な画像学方法を確立し、ヒト精神疾患の病理回路の神経機序に対する理解に重要な意義があり、精神疾患の臨床移行可能な研究および早期診断に価値のある手がかりを提供する。
本実施例において、遺伝子組み換えアカゲザルの自閉症動物モデルを例とし、サル-ヒト移行可能な画像学研究を行うことにより、精神疾患の予測方法を確立した。
具体的な実施例の主な流れ、詳しい手順は以下の通りである。
工程S1:MeCP2過剰発現遺伝子組み換えアカゲザル(非ヒト霊長類自閉症動物モデル)で特徴脳領域を取り出した:
S11:核磁気共鳴スキャナーによってMeCP2過剰発現遺伝子組み換えアカゲザルおよび正常野生型アカゲザルのサンプルの安静時機能磁気共鳴データを採取した;
S13:全脳94×94機能接続行列における同一の脳領域のノードに接続する列を一つのグループ(脳領域)に分け、脳領域を単位に全脳機能接続を94のグループに分け、たとえば第iグループ(脳領域)の機能接続は
Aは全脳機能接続行列を表し、特徴行列Aにおける同一の脳領域のノードgに接続する列を一つのグループ(脳領域)に分け、[A]gで表し、全脳機能接続行列を94のグループに分ける。
λはモデルがトレーニングデータをフィッテイングしすぎないようにするための正則化パラメーターを表し、取れる値が0.05~1の範囲内における100個の等分点である。
Wgは第gグループの加重値(グループの要素数の平方根)を表す。
yはMeCP2過剰発現遺伝子組み換えグループ(1)または野生型グループ(0)を表す。
[X]gは相応するグループの係数を表す。
RNはN次元実数を表す。
Gはグループの合計数を表す(実施例ではG=94)。)
S21:ヒトサンプルの安静時機能磁気共鳴データを獲得した;
具体的な本実施形態において、自閉症脳イメージングデータ交換I(Autism Brain Imaging Data Exchange I、ABIDE I)公開データベースにおけるASDデータが使用された。データ収集の表記は、被験者についてASDのサンプル標識を実験データの分割基準とする。具体的な本実施形態において、計133名のASD患者(自閉症スペクトラム障害(autism spectrum disorders、ASD))および203名の正常の被験者が含まれている。
S22:サル-ヒト脳領域が1対1の相応関係を有する全脳テンプレートから、具体的に、Regional Mapテンプレートを利用し、ヒト大脳皮質を相応する80個の脳領域に分け、Freesurferテンプレートでヒト脳皮質下核を14個の脳領域に分け、左右でそれぞれ47個の脳領域(表1)、計94個の脳領域になっている。
S23:工程S1で取り出された特徴脳領域に基づき、ヒトサンプルの全脳機能接続行列から特徴脳領域に接続するすべての機能接続を取り出し、ヒトサンプルの機能接続特徴集合を構築した:
工程S2で各ヒトサンプルの機能接続特徴集合が得られ、最小絶対値縮小選択演算子(lasso)方法によって特徴集合から冗長な特徴を除去し、lasso目的関数の具体的な数式は以下の通りである。
Xは解の係数を表す。
RPはP次元実数を表す。
yは自閉症患者(1)または正常被験者(0)を表す。
λはモデルがトレーニングデータをフィッテイングしすぎないようにするための正則化パラメーターを表し、MATLAB(登録商標)統計と機械学習ツールボックス(Statistics and Machine Learning Toolbox)におけるlasso関数で冗長な特徴を除去し、正則化パラメーターλは関数のデフォルト方法によって算出され、異なるλで得られた機能接続を合併し、最適特徴部分集合を得る。)
工程S3でヒトサンプルの最適機能接続特徴部分集合が得られ、スパースロジスティック回帰(SLR)によって予測モデルのモデリングを行い、スパースロジスティック回帰の入力は得られた最適機能接続特徴部分集合である;SLRはロジスティック回帰分析をベイズ推定のフレームワーク内に拡張したもので、特徴ベクターの次元数の圧縮と判定のための加重値の推定を同時に行う方法で、ロジスティック回帰の数式は以下の通りである。
Sはlassoによってスクリーニングされた最適機能接続特徴部分集合を表す。
Wは解の係数を表す。)
予測される個体の最適機能接続特徴部分集合に相応するデータを取り出し、そして工程S4で得られた予測モデルを入力し、個体に対して精神疾患の予測を行った。
性能検証実験
強迫性障害は自閉症の合併症状の一つで、ステレオタイプと強迫は共存する行為で、両者の間に重複部分が存在する。本発明の方法(MeCP2過剰発現遺伝子組み換えアカゲザルモデルに基づいて認識された自閉症に関連する特徴脳領域)の多疾患の汎化性能を検証するために、本発明の方法は強迫性障害患者の予測にも応用した。具体的な本実施例において、計79名のOCD(強迫性障害(Obsessive compulsive disorder、OCD))患者および92名の正常の被験者が含まれている。本発明の方法に基づいて特徴脳領域を取り出す予測方法によって個体に対して強迫性障害の予測を行った。
また、本発明の方法の優位性を検証するために、本発明の方法(アカゲザル)を自閉症脳イメージングデータ交換II(Autism Brain Imaging Data Exchange II、ABIDE II)公開データベースにおけるASDデータに基づいて取り出された予測モデルと比較した。ここで、ABIDE IIデータ収集の表記は、被験者についてASDのサンプル標識を実験データの分割基準とする。
図3aは、MeCP2過剰発現遺伝子組み換えアカゲザルモデルに基づいて構築された人工知能予測モデルとヒトABIDE II自閉症サンプルに基づいた予測モデルを比較し、個体に対する自閉症の予測の正確性、敏感性および特異性の比較図を示す。図3bは、MeCP2過剰発現遺伝子組み換えアカゲザルモデルに基づいて構築された人工知能予測モデルとヒトABIDE II自閉症サンプルに基づいた予測モデルを比較し、個体に対する強迫性障害の予測の正確性、敏感性および特異性の比較図を示す。横座標はそれぞれ正確性、敏感性および特異性の指標を示し、縦座標は各指標の数値を示し、黒色縦棒グラフはMeCP2過剰発現遺伝子組み換えアカゲザルモデルに基づいて構築された人工知能予測モデルの正確性、敏感性および特異性を示し、灰色縦棒グラフはヒトABIDE II自閉症サンプルに基づいた予測モデルの正確性、敏感性および特異性を示す。
図3で示される縦棒グラフにおける正確性、敏感性および特異性の値はそれぞれ表2に示す。
Claims (10)
- 精神疾患の予測モデルを確定する方法であって、
(a) データの獲得:非ヒト霊長類動物およびヒトの機能磁気共鳴データを獲得する工程、
(b) 前処理:前記機能共鳴データに基づき、それぞれ非ヒト霊長類動物およびヒトの脳領域の間のピアソン相関係数を計算することにより、それぞれヒト霊長類動物およびヒトの全脳機能コネクトームを構築する工程、
(c) 脳領域の選択:前記前処理の非ヒト霊長類動物の処理結果から、関連するグループ変数に基づいた特徴選択アルゴリズムを使用し、病理に関連する特徴脳領域を得る工程、
(d) 特徴の構築:前記脳領域の選択で得られた特徴脳領域および前処理で得られたヒト機能コネクトームに基づき、特徴脳領域に接続する機能接続を選んでヒトの機能接続特徴集合を構築する工程、
(e) 特徴のスクリーニング:前記特徴の構築で得られた機能接続特徴集合に基づき、関連する特徴選択アルゴリズムを使用し、冗長な特徴を除去し、最適機能接続特徴部分集合を得る工程、ならびに
(f) モデリング・予測:前記特徴のスクリーニングで得られた最適機能接続特徴部分集合に基づき、回帰分析を行うことにより、精神疾患の予測モデルを得る工程
を含むことを特徴とする方法。 - 前記の機能磁気共鳴データは安静時機能磁気共鳴データを含むことを特徴とする請求項1に記載の方法。
- 前記の機能磁気共鳴データは脳部の機能磁気共鳴データであることを特徴とする請求項1に記載の方法。
- 工程(c)では、前記関連するグループ変数の特徴選択アルゴリズムは、グループ最小角回帰アルゴリズム(group lasso)を含むことを特徴とする請求項1に記載の方法。
- 工程(e)では、前記関連する特徴選択アルゴリズムは、最小絶対値縮小選択演算子(lasso)を含むことを特徴とする請求項1に記載の方法。
- 前記グループ最小角回帰アルゴリズム(group lasso)は下記式によって分析することを特徴とする請求項5に記載の方法。
Aは全脳機能接続行列を表し、特徴行列Aにおける同一の脳領域のノードgに接続する列を一つのグループ(脳領域)に分け、[A]gで表す。
λはモデルがトレーニングデータをフィッテイングしすぎないようにするための正則化パラメーターを表し、取れる値が0.05~1の範囲内における100個の等分点である。
Wgは第gグループの加重値(グループgの要素数の平方根)を表す。
yは非ヒト霊長類動物精神疾患グループ(1)または正常野生型グループ(0)を表す。
[X]gは相応するグループの係数を表す。
RNはN次元実数を表す。
Gはグループの合計数を表す。) - 精神疾患の予測システムであって、
(a) データ獲得モジュールで、非ヒト霊長類動物およびヒトの機能磁気共鳴データを獲得するためのモジュール、
(b) 前処理モジュールで、前記機能共鳴データに基づき、それぞれ非ヒト霊長類動物およびヒトの脳領域の間のピアソン相関係数を計算することにより、それぞれ非ヒト霊長類動物およびヒトの全脳機能コネクトームを構築するモジュール、
(c) 脳領域選択モジュールで、前記前処理の非ヒト霊長類動物の処理結果から、関連するグループ変数に基づいた特徴選択アルゴリズムを使用し、病理に関連する特徴脳領域を得るモジュール、
(d) 特徴構築モジュールで、前記脳領域の選択で得られた特徴脳領域および前処理で得られたヒト機能コネクトームに基づき、特徴脳領域に接続する機能接続を選んでヒトの機能接続特徴集合を構築するモジュール、
(e) 特徴スクリーニングモジュールで、前記特徴の構築で得られた機能接続特徴集合に基づき、関連する特徴選択アルゴリズムを使用し、冗長な特徴を除去し、最適機能接続特徴部分集合を得るモジュール、ならびに
(f) モデリング・予測モジュールで、前記特徴のスクリーニングで得られた最適機能接続特徴部分集合に基づき、回帰分析を行うことにより、精神疾患の予測モデルを得るモジュール
を含むことを特徴とするシステム。 - 精神疾患の早期補助診断システムであって、
(a) データ入力モジュールで、ある対象の脳部の機能磁気共鳴画像データを入力し、そして全脳機能コネクトームを構築するためのモジュール、
(b) 特徴脳領域-精神疾患判定処理モジュールで、精神疾患に関連する特徴脳領域に基づき、関連する最適機能接続特徴集合を構築し、所定の判断基準によって分析処理を行うことにより、補助診断結果を得るが、ここで、前記の判断基準は請求項1に記載の精神疾患の予測モデルを確定する方法または請求項8に記載の精神疾患予測システムによって提供されるものであるモジュール、ならびに
(c) 補助診断結果出力モジュールで、前記の補助診断結果を出力するためのモジュール
を含むことを特徴とするシステム。 - 精神疾患に対して早期補助診断を行う方法であって、
(a) ある対象からの機能磁気共鳴データを提供する工程、
(b) 前記対象の機能磁気共鳴データに基づいて入力された機能磁気共鳴データに対して全脳機能コネクトームの構築を行うことを含む精神疾患予想処理を行い、前記特徴脳領域に基づき、関連する最適機能接続特徴集合を構築し、所定の判断基準によって予測することにより、補助診断結果を得る工程を含み、
ここで、前記の判断基準は請求項1に記載の精神疾患の予測モデルを確定する方法または請求項8に記載の精神疾患予測システムによって提供されるものである方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384845.X | 2018-11-20 | ||
CN201811384845.XA CN109528197B (zh) | 2018-11-20 | 2018-11-20 | 基于脑功能图谱进行精神疾病的个体化预测方法和系统 |
PCT/CN2019/115401 WO2020103683A1 (zh) | 2018-11-20 | 2019-11-04 | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022507861A true JP2022507861A (ja) | 2022-01-18 |
JP7276915B2 JP7276915B2 (ja) | 2023-05-18 |
Family
ID=65848774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021528405A Active JP7276915B2 (ja) | 2018-11-20 | 2019-11-04 | 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220130540A1 (ja) |
EP (1) | EP3884862A4 (ja) |
JP (1) | JP7276915B2 (ja) |
CN (1) | CN109528197B (ja) |
WO (1) | WO2020103683A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020062392A1 (zh) * | 2018-09-28 | 2020-04-02 | 上海寒武纪信息科技有限公司 | 信号处理装置、信号处理方法及相关产品 |
CN109528197B (zh) * | 2018-11-20 | 2022-07-08 | 中国科学院脑科学与智能技术卓越创新中心 | 基于脑功能图谱进行精神疾病的个体化预测方法和系统 |
CN111000571A (zh) * | 2019-12-26 | 2020-04-14 | 上海市精神卫生中心(上海市心理咨询培训中心) | 创伤后心理疾病的风险预测方法,相关设备及存储装置 |
CN111067508B (zh) * | 2019-12-31 | 2022-09-27 | 深圳安视睿信息技术股份有限公司 | 非临床环境下对高血压进行非干预式的监测和评估方法 |
CN112086203A (zh) * | 2020-09-11 | 2020-12-15 | 河北工程大学 | 一种疫情预测方法、装置及终端设备 |
CN113786194A (zh) * | 2021-08-31 | 2021-12-14 | 佛山科学技术学院 | 脑卒中运动功能评估模型构建方法和运动功能评估方法 |
CN113935376B (zh) * | 2021-10-13 | 2023-03-10 | 中国科学技术大学 | 一种基于联合约束典型相关分析的大脑功能子区划分方法 |
WO2023108418A1 (zh) * | 2021-12-14 | 2023-06-22 | 深圳先进技术研究院 | 脑图谱构建及神经环路检测的方法和相关产品 |
CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN115064262A (zh) * | 2022-06-08 | 2022-09-16 | 华侨大学 | 一种基于长短时记忆的阿尔兹海默症病程预测方法 |
CN115082586B (zh) * | 2022-07-12 | 2023-04-04 | 中国科学院自动化研究所 | 群组先验引导的基于深度学习的丘脑个体化图谱绘制方法 |
CN115116607B (zh) * | 2022-08-30 | 2022-12-13 | 之江实验室 | 一种基于静息态磁共振迁移学习的脑疾病预测系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004051568A1 (en) * | 2002-11-29 | 2004-06-17 | Isis Innovation Limited | Brain connectivity mapping |
US20130231552A1 (en) * | 2012-03-05 | 2013-09-05 | Siemens Corporation | Method and System for Diagnosis of Attention Deficit Hyperactivity Disorder from Magnetic Resonance Images |
JP2014522283A (ja) * | 2011-06-09 | 2014-09-04 | ウェイク・フォレスト・ユニヴァーシティ・ヘルス・サイエンシズ | エージェントベース脳モデル及び関連方法 |
US20150363951A1 (en) * | 2013-01-31 | 2015-12-17 | Van J. Wedeen | Systems and methods for objective tractographic processing using features of grid structures of the brain |
US20160054409A1 (en) * | 2013-04-09 | 2016-02-25 | Tor WAGER | Fmri-based neurologic signature of physical pain |
JP2016512441A (ja) * | 2013-01-31 | 2016-04-28 | ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア | 正常状態および罹患状態での脳動態をモデリングするためのシステムおよび方法 |
US20160358104A1 (en) * | 2015-06-02 | 2016-12-08 | Nec Laboratories America, Inc. | Annealed Sparsity Via Adaptive and Dynamic Shrinking |
WO2017136285A1 (en) * | 2016-02-01 | 2017-08-10 | The Board Of Trustees Of The Leland Stanford Junior University | Method and systems for analyzing functional imaging data |
JP2017196523A (ja) * | 2015-11-24 | 2017-11-02 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法、プログラムおよびバイオマーカー装置 |
WO2018015778A1 (en) * | 2016-07-18 | 2018-01-25 | Universite d'Aix-Marseille (AMU) | A method of modulating epileptogenicity in a patient's brain |
US20180055407A1 (en) * | 2016-08-25 | 2018-03-01 | The Regents Of The University Of Colorado, A Body Corporate | Neurophysiological signatures for fibromyalgia |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7539528B2 (en) * | 2002-09-20 | 2009-05-26 | Jinhu Xiong | Using magnetic resonance imaging to directly map neuronal activity |
US20070112585A1 (en) * | 2003-08-01 | 2007-05-17 | Breiter Hans C | Cognition analysis |
US20090306741A1 (en) * | 2006-10-26 | 2009-12-10 | Wicab, Inc. | Systems and methods for altering brain and body functions and for treating conditions and diseases of the same |
CN101773096A (zh) * | 2010-01-20 | 2010-07-14 | 中国科学院昆明动物研究所 | 社会地位诱发的抑郁症动物模型建立方法 |
CN101779609A (zh) * | 2010-01-28 | 2010-07-21 | 中国科学院昆明动物研究所 | 用低剂量mptp建立雄性猕猴慢性帕金森病模型的方法 |
WO2012017867A1 (ja) * | 2010-08-04 | 2012-02-09 | 国立大学法人広島大学 | 精神疾患の検査方法、精神疾患用の検査キット、ならびに精神疾患治療剤および/または予防剤の評価方法 |
WO2012098645A1 (ja) * | 2011-01-18 | 2012-07-26 | 独立行政法人放射線医学総合研究所 | 精神病モデル動物の作成方法 |
DE102011085404A1 (de) * | 2011-10-28 | 2013-05-02 | Siemens Aktiengesellschaft | Verfahren zur Vermessung von Strukturen des menschlichen Gehirns |
US20130179184A1 (en) * | 2012-01-06 | 2013-07-11 | Katherine L. Hurst | Individualized Dosing Technique With Multiple Variables |
US10068670B2 (en) * | 2012-08-16 | 2018-09-04 | Ginger.io, Inc. | Method for modeling behavior and depression state |
CN104450602B (zh) * | 2013-09-17 | 2020-08-07 | 中国科学院遗传与发育生物学研究所 | 非人哺乳动物神经精神疾病动物模型及其制备方法和用途 |
CN105279380B (zh) * | 2015-11-05 | 2018-06-19 | 东南大学 | 一种基于表情分析的抑郁程度自动评估系统 |
WO2017210502A1 (en) * | 2016-06-03 | 2017-12-07 | Yale University | Methods and apparatus for predicting depression treatment outcomes |
CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
WO2018005820A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utlizing brain structural characteristics for predicting a diagnosis of a neurobehavioral disorder |
CN107760713B (zh) * | 2016-08-23 | 2020-05-05 | 中国科学院上海药物研究所 | 一种非人哺乳动物神经精神疾病动物模型的建立方法及其用途 |
CN106384005A (zh) * | 2016-09-28 | 2017-02-08 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的抑郁症预测方法和预测系统 |
CN107689057B (zh) * | 2017-07-10 | 2019-10-29 | 中国科学院高能物理研究所 | 自适应小动物脑功能磁共振成像数据分析方法 |
CN109528197B (zh) * | 2018-11-20 | 2022-07-08 | 中国科学院脑科学与智能技术卓越创新中心 | 基于脑功能图谱进行精神疾病的个体化预测方法和系统 |
-
2018
- 2018-11-20 CN CN201811384845.XA patent/CN109528197B/zh active Active
-
2019
- 2019-11-04 WO PCT/CN2019/115401 patent/WO2020103683A1/zh unknown
- 2019-11-04 JP JP2021528405A patent/JP7276915B2/ja active Active
- 2019-11-04 EP EP19886288.0A patent/EP3884862A4/en active Pending
- 2019-11-04 US US17/296,170 patent/US20220130540A1/en active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004051568A1 (en) * | 2002-11-29 | 2004-06-17 | Isis Innovation Limited | Brain connectivity mapping |
JP2014522283A (ja) * | 2011-06-09 | 2014-09-04 | ウェイク・フォレスト・ユニヴァーシティ・ヘルス・サイエンシズ | エージェントベース脳モデル及び関連方法 |
US20130231552A1 (en) * | 2012-03-05 | 2013-09-05 | Siemens Corporation | Method and System for Diagnosis of Attention Deficit Hyperactivity Disorder from Magnetic Resonance Images |
US20150363951A1 (en) * | 2013-01-31 | 2015-12-17 | Van J. Wedeen | Systems and methods for objective tractographic processing using features of grid structures of the brain |
JP2016512441A (ja) * | 2013-01-31 | 2016-04-28 | ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア | 正常状態および罹患状態での脳動態をモデリングするためのシステムおよび方法 |
US20160054409A1 (en) * | 2013-04-09 | 2016-02-25 | Tor WAGER | Fmri-based neurologic signature of physical pain |
US20160358104A1 (en) * | 2015-06-02 | 2016-12-08 | Nec Laboratories America, Inc. | Annealed Sparsity Via Adaptive and Dynamic Shrinking |
JP2017196523A (ja) * | 2015-11-24 | 2017-11-02 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法、プログラムおよびバイオマーカー装置 |
WO2017136285A1 (en) * | 2016-02-01 | 2017-08-10 | The Board Of Trustees Of The Leland Stanford Junior University | Method and systems for analyzing functional imaging data |
WO2018015778A1 (en) * | 2016-07-18 | 2018-01-25 | Universite d'Aix-Marseille (AMU) | A method of modulating epileptogenicity in a patient's brain |
US20180055407A1 (en) * | 2016-08-25 | 2018-03-01 | The Regents Of The University Of Colorado, A Body Corporate | Neurophysiological signatures for fibromyalgia |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020103683A1 (zh) | 2020-05-28 |
CN109528197A (zh) | 2019-03-29 |
JP7276915B2 (ja) | 2023-05-18 |
EP3884862A1 (en) | 2021-09-29 |
US20220130540A1 (en) | 2022-04-28 |
EP3884862A4 (en) | 2022-08-31 |
CN109528197B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7276915B2 (ja) | 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム | |
Nogay et al. | Machine learning (ML) for the diagnosis of autism spectrum disorder (ASD) using brain imaging | |
Ahmed et al. | Single volume image generator and deep learning-based ASD classification | |
Becker et al. | Gaussian process uncertainty in age estimation as a measure of brain abnormality | |
Yang et al. | A deep neural network study of the ABIDE repository on autism spectrum classification | |
Munteanu et al. | Classification of mild cognitive impairment and Alzheimer’s Disease with machine-learning techniques using 1H Magnetic Resonance Spectroscopy data | |
CN114080646A (zh) | 信息处理装置、程序、学习完毕模型、诊断支援装置、学习装置及预测模型的生成方法 | |
Lombardi et al. | A robust framework to investigate the reliability and stability of explainable artificial intelligence markers of Mild Cognitive Impairment and Alzheimer’s Disease | |
Liu et al. | An enhanced multi-modal brain graph network for classifying neuropsychiatric disorders | |
Feng et al. | A review of methods for classification and recognition of ASD using fMRI data | |
Fareed et al. | ADD-Net: an effective deep learning model for early detection of Alzheimer disease in MRI scans | |
Liu et al. | MPC-STANet: Alzheimer’s disease recognition method based on multiple phantom convolution and spatial transformation attention mechanism | |
Rao et al. | A Review on Alzheimer’s disease through analysis of MRI images using Deep Learning Techniques | |
Bi et al. | Explainable and programmable hypergraph convolutional network for imaging genetics data fusion | |
Zhang et al. | Modeling alzheimer’s disease progression via amalgamated magnitude-direction brain structure variation quantification and tensor multi-task learning | |
Qu et al. | A graph convolutional network based on univariate neurodegeneration biomarker for alzheimer’s disease diagnosis | |
CN116452592A (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
Zhu | Early diagnosis of Parkinson's Disease by analyzing magnetic resonance imaging brain scans and patient characteristic | |
CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
Raghav et al. | Autism Spectrum Disorder Detection in Children Using Transfer Learning Techniques | |
Mirarchi et al. | Data mining techniques for vestibular data classification | |
Yoo et al. | Whole-brain structural connectome asymmetry in autism | |
Ramesh et al. | Alzheimer's Disease (AD) Diagnosis from Brain MRI Image using Neural Network Algorithm | |
He et al. | Network occlusion sensitivity analysis identifies regional contributions to brain age prediction | |
Ekuma et al. | An Explainable Deep Learning Model for Prediction of Severity of Alzheimer’s Disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210719 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220615 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220708 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221007 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230106 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230407 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230426 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7276915 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |