論文の概要: HoloDx: Knowledge- and Data-Driven Multimodal Diagnosis of Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2504.19075v1
• Date: Sun, 27 Apr 2025 02:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.120561
• Title: HoloDx: Knowledge- and Data-Driven Multimodal Diagnosis of Alzheimer's Disease
• Title（参考訳）: HoloDx:アルツハイマー病の知識とデータ駆動型マルチモーダル診断
• Authors: Qiuhui Chen, Jintao Wang, Gang Wang, Yi Hong,
• Abstract要約: HoloDxは、知識とデータ駆動のフレームワークであり、多要素臨床データとドメイン知識を整合させることでアルツハイマーの診断を強化する。 HoloDxには知識を意識したクロスアテンションを備えた知識注入モジュールが組み込まれており、モデルがドメイン固有の洞察を動的に統合することを可能にする。 HoloDxは最先端の手法より優れており、診断精度が優れ、多様なコホートにまたがる強力な一般化を実現している。
• 参考スコア（独自算出の注目度）: 11.755603329073208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate diagnosis of Alzheimer's disease (AD) requires effectively integrating multimodal data and clinical expertise. However, existing methods often struggle to fully utilize multimodal information and lack structured mechanisms to incorporate dynamic domain knowledge. To address these limitations, we propose HoloDx, a knowledge- and data-driven framework that enhances AD diagnosis by aligning domain knowledge with multimodal clinical data. HoloDx incorporates a knowledge injection module with a knowledge-aware gated cross-attention, allowing the model to dynamically integrate domain-specific insights from both large language models (LLMs) and clinical expertise. Also, a memory injection module with a designed prototypical memory attention enables the model to retain and retrieve subject-specific information, ensuring consistency in decision-making. By jointly leveraging these mechanisms, HoloDx enhances interpretability, improves robustness, and effectively aligns prior knowledge with current subject data. Evaluations on five AD datasets demonstrate that HoloDx outperforms state-of-the-art methods, achieving superior diagnostic accuracy and strong generalization across diverse cohorts. The source code will be released upon publication acceptance.
• Abstract（参考訳）: アルツハイマー病(AD)の正確な診断には、マルチモーダルデータと臨床専門知識を効果的に統合する必要がある。 しかし、既存の手法では、動的ドメイン知識を組み込む構造的メカニズムが欠如しているため、マルチモーダル情報の活用に苦慮することが多い。 このような制約に対処するために,ドメイン知識とマルチモーダルな臨床データとを整合させてAD診断を向上させる知識・データ駆動型フレームワークであるHoloDxを提案する。 HoloDxは知識注入モジュールと知識を意識したクロスアテンションを備えており、大きな言語モデル(LLM)と臨床の専門知識の両方から、ドメイン固有の洞察を動的に統合することができる。 また、設計された原型メモリアテンションを備えたメモリインジェクションモジュールにより、モデルが主観的な情報を保持・取得し、意思決定における一貫性を確保することができる。 これらのメカニズムを共同で活用することにより、HoloDxは解釈可能性を高め、堅牢性を高め、現在の対象データと事前知識を効果的に整合させる。 5つのADデータセットの評価では、HoloDxは最先端の手法よりも優れており、診断精度が優れ、多様なコホートをまたいだ強力な一般化を実現している。 ソースコードは公開時に公開される。

関連論文リスト

• REMEMBER: Retrieval-based Explainable Multimodal Evidence-guided Modeling for Brain Evaluation and Reasoning in Zero- and Few-shot Neurodegenerative Diagnosis [6.446611581074913]
  検索型マルチモーダル誘導型脳評価・推論モデルREMEMBERについて紹介する。 REMEMBERは、脳MRIスキャンを用いたゼロショットと少数ショットのアルツハイマーの診断を容易にする新しい機械学習フレームワークである。 実験結果から,REMEMBERはゼロショットと少数ショットの堅牢な性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-12T22:06:15Z)
• 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)
• Leveraging Deep Learning and Xception Architecture for High-Accuracy MRI Classification in Alzheimer Diagnosis [11.295734491885682]
  本研究の目的は、深層学習モデルを用いてMRI画像の分類を行い、アルツハイマー病の異なる段階を同定することである。 実験の結果,Xceptionモデルに基づくディープラーニングフレームワークは,マルチクラスMRI画像分類タスクにおいて99.6%の精度を達成した。
  論文  参考訳（メタデータ） (2024-03-24T16:11:27Z)
• Dynamic Multi-Domain Knowledge Networks for Chest X-ray Report Generation [0.5939858158928474]
  放射線診断レポート生成のための動的マルチドメイン知識(DMDK)ネットワークを提案する。 DMDKネットワークは、Chest Feature Extractor(CFE), Dynamic Knowledge Extractor(DKE), Specific Knowledge Extractor(SKE), Multi-knowledge Integrator(MKI)モジュールの4つのモジュールで構成されている。 IU X-RayとMIMIC-CXRの2つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-10-08T11:20:02Z)
• Building Flexible, Scalable, and Machine Learning-ready Multimodal Oncology Datasets [17.774341783844026]
  本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。 MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。 MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
  論文  参考訳（メタデータ） (2023-09-30T15:44:39Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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。