論文の概要: A Weighted Vision Transformer-Based Multi-Task Learning Framework for Predicting ADAS-Cog Scores

• arxiv url: http://arxiv.org/abs/2508.17613v1
• Date: Mon, 25 Aug 2025 02:43:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.607087
• Title: A Weighted Vision Transformer-Based Multi-Task Learning Framework for Predicting ADAS-Cog Scores
• Title（参考訳）: ADAS-Cogスコア予測のための重み付きビジョン変換器を用いたマルチタスク学習フレームワーク
• Authors: Nur Amirah Abd Hamid, Mohd Ibrahim Shapiai, Daphne Teck Ching Lai,
• Abstract要約: 重み付き視覚変換器(ViT)を用いたマルチタスク学習(MTL)フレームワークを提案し,ADAS-Cogのグローバルスコアを共同で予測する。 提案フレームワークは,ViTを特徴抽出器として統合し,サブスコア比損失重み付けがモデル性能に与える影響を系統的に検討する。
• 参考スコア（独自算出の注目度）: 1.3700362496838856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prognostic modeling is essential for forecasting future clinical scores and enabling early detection of Alzheimers disease (AD). While most existing methods focus on predicting the ADAS-Cog global score, they often overlook the predictive value of its 13 sub-scores, which reflect distinct cognitive domains. Some sub-scores may exert greater influence on determining global scores. Assigning higher loss weights to these clinically meaningful sub-scores can guide the model to focus on more relevant cognitive domains, enhancing both predictive accuracy and interpretability. In this study, we propose a weighted Vision Transformer (ViT)-based multi-task learning (MTL) framework to jointly predict the ADAS-Cog global score using baseline MRI scans and its 13 sub-scores at Month 24. Our framework integrates ViT as a feature extractor and systematically investigates the impact of sub-score-specific loss weighting on model performance. Results show that our proposed weighting strategies are group-dependent: strong weighting improves performance for MCI subjects with more heterogeneous MRI patterns, while moderate weighting is more effective for CN subjects with lower variability. Our findings suggest that uniform weighting underutilizes key sub-scores and limits generalization. The proposed framework offers a flexible, interpretable approach to AD prognosis using end-to-end MRI-based learning. (Github repo link will be provided after review)
• Abstract（参考訳）: 予後モデリングは、将来の臨床成績を予測し、アルツハイマー病(AD)の早期発見を可能にするために不可欠である。 既存のほとんどの手法はADAS-Cogのグローバルスコアの予測に重点を置いているが、認知領域が異なる13のサブスコアの予測値を見落としていることが多い。 一部のサブスコアは、グローバルスコアの決定に大きな影響を与える可能性がある。 これらの臨床的に意味のあるサブスコアにより高い損失重みを割り当てることで、モデルをより関連する認知領域に集中させ、予測精度と解釈可能性の両方を高めることができる。 本研究では、ベースラインMRIスキャンと13のサブスコアを用いて、ADAS-Cogグローバルスコアを共同で予測するための重み付きビジョントランスフォーマー(ViT)ベースのマルチタスク学習(MTL)フレームワークを提案する。 提案フレームワークは,ViTを特徴抽出器として統合し,サブスコア比損失重み付けがモデル性能に与える影響を系統的に検討する。 今回提案した重み付け手法は群依存的であり,より異質なMRIパターンを有するMCI患者では強い重み付けが改善し,CN患者では中等度重み付けがより有効であることが示唆された。 この結果から,一様重み付けは鍵部分スコアを弱くし,一般化を制限することが示唆された。 提案するフレームワークは、エンドツーエンドのMRIベースの学習を用いて、AD予後に対する柔軟な解釈可能なアプローチを提供する。 (Githubリポジトリリンクはレビュー後に提供される)

関連論文リスト

• Improving Interpretability in Alzheimer's Prediction via Joint Learning of ADAS-Cog Scores [1.1689657956099038]
  我々は,グローバルADAS-Cogスコアとそのサブスコアを24ヶ月で共同で予測するマルチタスク学習(MTL)フレームワークを提案する。 主な目的は、MRI機能に関連する各サブスコアが、グローバルスコアの予測にどのように貢献するかを検討することである。 サブスコアレベル分析では、特にQ1(Word Recall)、Q4(Delayed Recall)、Q8(Word Recognition)の小さなサブセットが、予測されたグローバルスコアを一貫して支配していることが明らかになった。
  論文  参考訳（メタデータ） (2025-08-25T02:56:11Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• $C^2$AV-TSE: Context and Confidence-aware Audio Visual Target Speaker Extraction [80.57232374640911]
  我々はMask-And-Recover (MAR)と呼ばれるモデルに依存しない戦略を提案する。 MARは、モダリティ間およびモダリティ間コンテキスト相関を統合し、抽出モジュール内の大域的推論を可能にする。 各サンプルの難易度を向上するために, 精細信頼スコア(FCS)モデルを導入する。
  論文  参考訳（メタデータ） (2025-04-01T13:01:30Z)
• Learning Dynamic Representations via An Optimally-Weighted Maximum Mean Discrepancy Optimization Framework for Continual Learning [16.10753846850319]
  継続的な学習は、モデルを永続的に取得し、保持することを可能にする。 悲惨な忘れ物は モデルパフォーマンスを著しく損なう 本稿では,表現変更に対する罰則を課す,OPMMD(Optimally-Weighted Mean Discrepancy)と呼ばれる新しいフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-01-21T13:33:45Z)
• CAVE-Net: Classifying Abnormalities in Video Capsule Endoscopy [0.1937002985471497]
  複雑な画像データセットを解析する際の診断精度を向上させるために,アンサンブルに基づくアプローチを提案する。 各モデルのユニークな特徴抽出機能を活用し、全体的な精度を向上させる。 これらの手法を用いることで、提案フレームワークであるCAVE-Netは、ロバストな特徴識別と、より優れた分類結果を提供する。
  論文  参考訳（メタデータ） (2024-10-26T17:25:08Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
  膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。 我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。 実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
  論文  参考訳（メタデータ） (2023-03-23T11:57:50Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• 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)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。