論文の概要: Multi-omic Prognosis of Alzheimer's Disease with Asymmetric Cross-Modal Cross-Attention Network

• arxiv url: http://arxiv.org/abs/2507.08855v1
• Date: Wed, 09 Jul 2025 07:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:21.564633
• Title: Multi-omic Prognosis of Alzheimer's Disease with Asymmetric Cross-Modal Cross-Attention Network
• Title（参考訳）: 非対称なクロスモーダル・クロスアテンション・ネットワークをともなうアルツハイマー病のマルチオーミック予後
• Authors: Yang Ming, Jiang Shi Zhong, Zhou Su Juan,
• Abstract要約: 本稿では,アルツハイマー病の診断における医療従事者を支援するための新しいディープラーニングアルゴリズムフレームワークを提案する。 脳フルオロデオキシグルコースポジトロン断層撮影(PET)、MRI(MRI)、遺伝子データ、臨床データなどの医療用多視点情報を融合することにより、ADの存在を正確に検出することができる。 アルゴリズムモデルは、テストセット上で94.88%の精度を達成する。
• 参考スコア（独自算出の注目度）: 0.5325390073522079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alzheimer's Disease (AD) is an irreversible neurodegenerative disease characterized by progressive cognitive decline as its main symptom. In the research field of deep learning-assisted diagnosis of AD, traditional convolutional neural networks and simple feature concatenation methods fail to effectively utilize the complementary information between multimodal data, and the simple feature concatenation approach is prone to cause the loss of key information during the process of modal fusion. In recent years, the development of deep learning technology has brought new possibilities for solving the problem of how to effectively fuse multimodal features. This paper proposes a novel deep learning algorithm framework to assist medical professionals in AD diagnosis. By fusing medical multi-view information such as brain fluorodeoxyglucose positron emission tomography (PET), magnetic resonance imaging (MRI), genetic data, and clinical data, it can accurately detect the presence of AD, Mild Cognitive Impairment (MCI), and Cognitively Normal (CN). The innovation of the algorithm lies in the use of an asymmetric cross-modal cross-attention mechanism, which can effectively capture the key information features of the interactions between different data modal features. This paper compares the asymmetric cross-modal cross-attention mechanism with the traditional algorithm frameworks of unimodal and multimodal deep learning models for AD diagnosis, and evaluates the importance of the asymmetric cross-modal cross-attention mechanism. The algorithm model achieves an accuracy of 94.88% on the test set.
• Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's Disease, AD)は、進行性認知低下を主症状とする可逆性神経変性疾患である。 ADの深層学習支援診断の分野では、従来の畳み込みニューラルネットワークと単純な特徴連結法は、マルチモーダルデータ間の補完情報を効果的に活用することができず、単純な特徴連結法は、モーダル融合の過程でキー情報の喪失を引き起こす傾向にある。 近年,ディープラーニング技術の発展により,マルチモーダルな特徴を効果的に融合する方法の課題が解決される可能性が高まっている。 本稿では,AD診断における医療従事者を支援するための新しいディープラーニングアルゴリズムフレームワークを提案する。 脳フルオロデオキシグルコースポジトロン断層撮影(PET)、MRI(MRI)、遺伝子データ、臨床データなどの医療用多視点情報を融合することにより、AD、軽度認知障害(MCI)、認知正常(CN)の存在を正確に検出することができる。 このアルゴリズムの革新は、異なるデータモーダル特徴間の相互作用の重要な情報特徴を効果的に捉えることができる非対称なクロスモーダル・クロスアテンション機構を使用することにある。 本稿では,AD診断のための非対称なクロスモーダル・クロスアテンション機構と,非対称なクロスモーダル・クロスアテンション機構とを,一様および多モードのディープラーニングモデルの従来のアルゴリズムフレームワークと比較し,非対称なクロスモーダル・クロスアテンション機構の重要性を評価する。 アルゴリズムモデルは、テストセット上で94.88%の精度を達成する。

関連論文リスト

• A Novel Multimodal Framework for Early Detection of Alzheimers Disease Using Deep Learning [0.0]
  アルツハイマー病(英語版) (AD) は進行性神経変性疾患であり、早期診断において重大な課題を引き起こす。 従来の診断法は、疾患の多面的な性質を捉えるには不十分である。 我々は,MRI画像,認知評価,バイオマーカーという3つの主要な情報源からのデータを統合するADの早期検出のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-05T03:46:59Z)
• Cross-modal Causal Intervention for Alzheimer's Disease Prediction [12.485088483891843]
  本稿では,アルツハイマー病の予防接種による視覚的因果介入の枠組みを提案する。 私たちのフレームワークは、因果的介入を通じて、共同創設者を暗黙的に排除します。 CN/MCI/ADの鑑別において,本手法の優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-07-18T14:21:24Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Multi-Resolution Graph Analysis of Dynamic Brain Network for Classification of Alzheimer's Disease and Mild Cognitive Impairment [0.0]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶喪失と認知低下を特徴とする神経変性疾患である。 ピアソンの相関のような伝統的な手法は相関行列を計算するために使われてきた。 本稿では、離散ウェーブレット変換(DWT)とグラフ理論を統合し、脳ネットワークの動的挙動をモデル化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-06T07:26:14Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Alzheimer's Disease Prediction via Brain Structural-Functional Deep Fusing Network [5.945843237682432]
  機能的および構造的情報を融合するために, クロスモーダルトランスフォーマー生成対向ネットワーク (CT-GAN) を提案する。 生成した接続特性を解析することにより,AD関連脳の接続を同定することができる。 パブリックADNIデータセットの評価から,提案したCT-GANは予測性能を劇的に向上し,AD関連脳領域を効果的に検出できることが示された。
  論文  参考訳（メタデータ） (2023-09-28T07:06:42Z)
• 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)
• 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)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• 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)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。