Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

ETV4 enhances glycolysis to suppress NK-cell cytotoxicity in the immune microenvironment of colon cancer.

Biochimica et biophysica acta. General subjects·2026
Same author

A Gradient-Guided Spatio-Temporal Graph Convolutional Network for Population-Level Major Depressive Disorder Classification.

IEEE journal of biomedical and health informatics·2026
Same author

The 2026 global roadmap for textile-integrated wearable technologies in health.

Physiological measurement·2026
Same author

Different modulation patterns of theta and gamma dual-site HD-tACS on cognitive impairment.

iScience·2026
Same author

Multiscale heterogeneity of atypical functional connectivity in autism.

Nature. Mental health·2026
Same author

Steric Hindrance Enhanced the Bowl-Shaped Curvature of Bridged Triphenylamine.

Organic letters·2026

関連する実験動画

Updated: Sep 10, 2025

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method
07:12

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method

Published on: August 2, 2021

3.7K

マルチサイト rs-fMRIデータによる主要なうつ病の識別のためのランダム・ウォーク・ベース・ノード・フィーチャー・ラーニング

Wanting Xi1,2, Zijian Guo1,3, Ting Mei1

  • 1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.

Human brain mapping
|August 21, 2025
PubMed
まとめ

この研究では,脳のネットワークデータを用いて,重度のうつ病 (MDD) を正確に特定するための新しい方法が紹介されています. グラフ埋め込みアプローチは,機能的な接続性の特徴を分析することによって,診断の精度を向上させます.

キーワード:
集団学習機能的な接続性重度のうつ病ノード2vecランダムな歩き方

さらに関連する動画

Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
10:43

Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity

Published on: July 1, 2014

15.3K
MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder
08:20

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

Published on: August 11, 2015

14.1K

関連する実験動画

Last Updated: Sep 10, 2025

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method
07:12

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method

Published on: August 2, 2021

3.7K
Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
10:43

Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity

Published on: July 1, 2014

15.3K
MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder
08:20

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

Published on: August 11, 2015

14.1K

科学分野:

  • 神経科学
  • 精神科
  • 機械学習

背景:

  • 重度のうつ病 (MDD) は,生活の質に影響を及ぼし,自殺のリスクを増やす広範な状態です.
  • 正確なMDDの特定は,効果的な臨床診断と治療に不可欠です.
  • 現在の方法は,機能的な脳ネットワークにおける関心領域 (ROI) の特性を無視し,限られたデータセットを使用し,一般化を妨げています.

研究 の 目的:

  • MDDを特定するための新しいグラフ埋め込みベースの特徴選択分類枠組み (GEF-FSC) を開発し,検証する.
  • マルチサイト静止状態機能磁気共鳴画像 (rs-fMRI) データを活用して,MDDを確実に検出する.
  • 機能的な脳ネットワーク内の高階構造情報の有用性を探求し,診断の正確性を向上させる.

主な方法:

  • 脳のネットワークのROIからローカルおよびグローバル機能接続 (FC) 機能を学習するために,node2vecアルゴリズムを使用した.
  • 機能的な脳ネットワーク内の構造情報を捕捉するために 柔軟なランダムな歩みを採用しました
  • マルチサイト rs-fMRIデータを用いた特性の選択のための応用ランダムフォレストとMDD分類のためのアンサンブル分類器.

主要な成果:

  • GEF-FSCフレームワークは,REST-meta-MDDデータセットで81.65% (Dosenbachテンプレート) と75.30% (AALアトラス) の高い分類精度を達成しました.
  • 精度,感度,特異性,F1スコアで8つのベンチマーク方法と6つの最先端の分類器と比較して優れたパフォーマンスを示しました.
  • 解釈可能な分析により,MDDに関連する主要な脳領域とネットワークが特定され,既存の研究と一致しました.

結論:

  • GEF-FSCの枠組みは,マルチサイト rs-fMRIデータを用いてMDDを効果的に分類しています.
  • この研究は,診断の正確性を高めるために,機能的な脳ネットワークにおける高次元の構造情報の重要性を強調しています.
  • 特定された脳の領域とネットワークは,MDDの神経生物学的な基盤の洞察を提供します.