論文の概要: HiMAL: A Multimodal Hierarchical Multi-task Auxiliary Learning framework for predicting and explaining Alzheimer disease progression

• arxiv url: http://arxiv.org/abs/2404.03208v2
• Date: Mon, 6 May 2024 03:02:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 22:56:46.097150
• Title: HiMAL: A Multimodal Hierarchical Multi-task Auxiliary Learning framework for predicting and explaining Alzheimer disease progression
• Title（参考訳）: HiMAL:アルツハイマー病の進行を予測・説明するためのマルチモーダル階層型マルチタスク補助学習フレームワーク
• Authors: Sayantan Kumar, Sean Yu, Andrew Michelson, Thomas Kannampallil, Philip Payne,
• Abstract要約: HiMAL (Hierarchical, Multi-task Auxiliary Learning) フレームワークを開発した。 軽度認知障害からアルツハイマー病への移行の経時的リスクを推定する補助的タスクとして認知複合機能を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objective: We aimed to develop and validate a novel multimodal framework HiMAL (Hierarchical, Multi-task Auxiliary Learning) framework, for predicting cognitive composite functions as auxiliary tasks that estimate the longitudinal risk of transition from Mild Cognitive Impairment (MCI) to Alzheimer Disease (AD). Methods: HiMAL utilized multimodal longitudinal visit data including imaging features, cognitive assessment scores, and clinical variables from MCI patients in the Alzheimer Disease Neuroimaging Initiative (ADNI) dataset, to predict at each visit if an MCI patient will progress to AD within the next 6 months. Performance of HiMAL was compared with state-of-the-art single-task and multi-task baselines using area under the receiver operator curve (AUROC) and precision recall curve (AUPRC) metrics. An ablation study was performed to assess the impact of each input modality on model performance. Additionally, longitudinal explanations regarding risk of disease progression were provided to interpret the predicted cognitive decline. Results: Out of 634 MCI patients (mean [IQR] age : 72.8 [67-78], 60% men), 209 (32%) progressed to AD. HiMAL showed better prediction performance compared to all single-modality singe-task baselines (AUROC = 0.923 [0.915-0.937]; AUPRC= 0.623 [0.605-0.644]; all p<0.05). Ablation analysis highlighted that imaging and cognition scores with maximum contribution towards prediction of disease progression. Discussion: Clinically informative model explanations anticipate cognitive decline 6 months in advance, aiding clinicians in future disease progression assessment. HiMAL relies on routinely collected EHR variables for proximal (6 months) prediction of AD onset, indicating its translational potential for point-of-care monitoring and managing of high-risk patients.
• Abstract（参考訳）: 目的: 軽度認知障害(MCI)からアルツハイマー病(AD)への移行の経時的リスクを推定する補助的タスクとして認知複合機能を予測するための, 階層的・多タスク補助学習(HiMAL)フレームワークを開発し, 検証することを目的とした。 方法:HiMALは、アルツハイマー病神経画像イニシアチブ(ADNI)データセットにおけるMCI患者の画像特徴、認知評価スコア、臨床変数を含むマルチモーダル縦断的訪問データを用いて、MCI患者が今後6ヶ月以内にADに進行するかどうかを予測する。 HiMALの性能は、受信演算子曲線(AUROC)と高精度リコール曲線(AUPRC)測定値の下の領域を用いて、最先端のシングルタスクとマルチタスクベースラインと比較した。 モデル性能に対する各入力モードの影響を評価するためのアブレーション実験を行った。 さらに, 認知機能低下の予測を解釈するために, 疾患進行リスクの経時的説明を行った。 結果: 634 MCI 例 (平均 [IQR] 年齢:72.8 [67-78], 60% 男性) のうち 209 例 (32%) が AD に進行した。 HiMALの予測性能は, AUROC = 0.923 [0.915-0.937], AUPRC = 0.623 [0.605-0.644], all p<0.05) よりも良好であった。 アブレーション分析では、画像と認知のスコアは、疾患進行の予測に最大貢献することが示された。 考察:臨床的に有意なモデル説明は,6カ月前の認知低下を予知し,臨床医の今後の疾患進展評価を支援する。 HiMALはAD発症の近位(6ヶ月)予測のために定期的に収集されたERH変数を頼りにしており、高リスク患者のポイント・オブ・ケアモニタリングと管理のための翻訳可能性を示している。

関連論文リスト

• Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
  10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
  論文  参考訳（メタデータ） (2024-10-02T03:21:01Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)
• Mortality Prediction with Adaptive Feature Importance Recalibration for Peritoneal Dialysis Patients: a deep-learning-based study on a real-world longitudinal follow-up dataset [19.7915762858399]
  終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである 本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。 本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
  論文  参考訳（メタデータ） (2023-01-17T13:17:54Z)
• AD-BERT: Using Pre-trained contextualized embeddings to Predict the Progression from Mild Cognitive Impairment to Alzheimer's Disease [14.59521645987661]
  本研究では,変換器(BERT)モデルから事前学習した双方向表現に基づくディープラーニングフレームワークを開発する。 軽度認知障害(MCI)からアルツハイマー病(AD)への進行リスクを非構造的臨床ノートを用いて予測した。
  論文  参考訳（メタデータ） (2022-11-07T04:05:46Z)
• Comparison of single and multitask learning for predicting cognitive decline based on MRI data [0.41998444721319217]
  アルツハイマー病評価尺度(英: Alzheimer's Disease Assessment Scale-Cognitive subscale、ADAS-Cog)は、神経心理学のツールである。 ADAS-Cogスコアの変化の予測は、認知症および無リスク集団のタイミング治療介入に役立つ可能性がある。 予測モデルを学習するための推奨方法は、単一タスク正規化線形回帰である。
  論文  参考訳（メタデータ） (2021-09-21T15:46:42Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)

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。