Fugu-MT 論文翻訳(概要): Multimodal Attention-based Deep Learning for Alzheimer's Disease Diagnosis

論文の概要: Multimodal Attention-based Deep Learning for Alzheimer's Disease Diagnosis

arxiv url: http://arxiv.org/abs/2206.08826v1
Date: Fri, 17 Jun 2022 15:10:00 GMT
ステータス: 処理完了
システム内更新日: 2022-06-20 13:35:04.174786
Title: Multimodal Attention-based Deep Learning for Alzheimer's Disease Diagnosis
Title（参考訳）: マルチモーダル注意に基づくアルツハイマー病診断のための深層学習
Authors: Michal Golovanevsky, Carsten Eickhoff, and Ritambhara Singh
Abstract要約: アルツハイマー病(英語: Alzheimer's Disease、AD)は、最も複雑な病原体を持つ神経変性疾患である。われわれは,ADの有無を正確に検出するためのマルチモーダルアルツハイマー病診断フレームワーク(MADDi)を提案する。
参考スコア（独自算出の注目度）: 9.135911493822261
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Alzheimer's Disease (AD) is the most common neurodegenerative disorder with one of the most complex pathogeneses, making effective and clinically actionable decision support difficult. The objective of this study was to develop a novel multimodal deep learning framework to aid medical professionals in AD diagnosis. We present a Multimodal Alzheimer's Disease Diagnosis framework (MADDi) to accurately detect the presence of AD and mild cognitive impairment (MCI) from imaging, genetic, and clinical data. MADDi is novel in that we use cross-modal attention, which captures interactions between modalities - a method not previously explored in this domain. We perform multi-class classification, a challenging task considering the strong similarities between MCI and AD. We compare with previous state-of-the-art models, evaluate the importance of attention, and examine the contribution of each modality to the model's performance. MADDi classifies MCI, AD, and controls with 96.88% accuracy on a held-out test set. When examining the contribution of different attention schemes, we found that the combination of cross-modal attention with self-attention performed the best, and no attention layers in the model performed the worst, with a 7.9% difference in F1-Scores. Our experiments underlined the importance of structured clinical data to help machine learning models contextualize and interpret the remaining modalities. Extensive ablation studies showed that any multimodal mixture of input features without access to structured clinical information suffered marked performance losses. This study demonstrates the merit of combining multiple input modalities via cross-modal attention to deliver highly accurate AD diagnostic decision support.
Abstract（参考訳）: アルツハイマー病(ad)は最も複雑な病原体の一つである神経変性疾患であり、効果的かつ臨床的に有効な意思決定支援が困難である。本研究の目的は,医療従事者のad診断を支援するマルチモーダル深層学習フレームワークの開発である。画像,遺伝子,臨床データから,ADと軽度認知障害(MCI)の存在を正確に検出するためのマルチモーダルアルツハイマー病診断フレームワーク(MADDi)を提案する。 maddiは、モダリティ間のインタラクションをキャプチャするクロスモーダルアテンション(cross-modal attention)を使用するという点では、新しい。 MCIとADの強い類似性を考慮した多クラス分類を行う。従来の最先端モデルと比較し,注意の重要性を評価し,各モダリティがモデルの性能に与える影響を検討する。 MADDiはMCI、AD、制御を96.88%の精度で分類する。異なる注意スキームの寄与を調べると,クロスモーダル注意と自己注意の組合せが最もよく,モデルの注意層は最悪で,f1-scoreでは7.9%の差が見られた。我々の実験は、機械学習モデルが残りのモダリティをコンテキスト化し解釈するのを助けるために、構造化された臨床データの重要性を強調した。広範なアブレーション研究により、構造的な臨床情報にアクセスできない入力特徴のマルチモーダル混合は、著しい性能低下を被った。本研究は, 高精度なAD診断決定支援を実現するために, 複数の入力モダリティを相互注意で組み合わせることの利点を示す。

関連論文リスト

Class Balancing Diversity Multimodal Ensemble for Alzheimer's Disease Diagnosis and Early Detection [1.1475433903117624]
アルツハイマー病は、その流行の増加と関連する社会的コストにより、世界的な健康上の問題を引き起こす。従来の診断法と単一モダリティデータは、早期ADの同定に不足することが多い。本研究は,iMbalancEd Data(IMBALMED)におけるクラスBALancingの多様性を利用したマルチモーダルenseMbleの新たなアプローチを提案する。
論文参考訳（メタデータ） (2024-10-14T10:56:43Z)
Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文参考訳（メタデータ） (2024-09-22T02:06:05Z)
Toward Robust Early Detection of Alzheimer's Disease via an Integrated Multimodal Learning Approach [5.9091823080038814]
アルツハイマー病(英: Alzheimer's Disease、AD)は、記憶障害、執行機能障害、性格変化を特徴とする複雑な神経変性疾患である。本研究では,臨床,認知,神経画像,脳波データを統合した高度なマルチモーダル分類モデルを提案する。
論文参考訳（メタデータ） (2024-08-29T08:26:00Z)
Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文参考訳（メタデータ） (2024-02-16T05:16:20Z)
Multimodal Identification of Alzheimer's Disease: A Review [4.6358128931887705]
アルツハイマー病は認知障害と記憶喪失を特徴とする進行性神経疾患である。近年、多くのチームがADの早期分類研究にコンピュータ支援診断技術を適用している。
論文参考訳（メタデータ） (2023-10-06T12:48:15Z)
Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
論文参考訳（メタデータ） (2023-05-23T01:24:15Z)
Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文参考訳（メタデータ） (2023-03-14T16:03:28Z)
Tensor-Based Multi-Modality Feature Selection and Regression for Alzheimer's Disease Diagnosis [25.958167380664083]
アルツハイマー病(AD)と軽度認知障害(MCI)の診断・バイオマーカー同定のための新しいテンソルベース多モード特徴選択と回帰法を提案する。 3つの画像モダリティを用いたADNIデータ解析における本手法の実用的利点について述べる。
論文参考訳（メタデータ） (2022-09-23T02:17:27Z)
MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network Architecture for Medical Image Analysis [71.2022403915147]
医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
論文参考訳（メタデータ） (2021-10-12T15:05:15Z)
Differential Diagnosis of Frontotemporal Dementia and Alzheimer's Disease using Generative Adversarial Network [0.0]
前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。 2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
論文参考訳（メタデータ） (2021-09-12T22:40:50Z)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。