論文の概要: Improving Interpretability in Alzheimer's Prediction via Joint Learning of ADAS-Cog Scores

• arxiv url: http://arxiv.org/abs/2508.17619v1
• Date: Mon, 25 Aug 2025 02:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.611048
• Title: Improving Interpretability in Alzheimer's Prediction via Joint Learning of ADAS-Cog Scores
• Title（参考訳）: ADAS-Cogスコアの同時学習によるアルツハイマー予測の解釈可能性の向上
• Authors: Nur Amirah Abd Hamid, Mohd Shahrizal Rusli, Muhammad Thaqif Iman Mohd Taufek, Mohd Ibrahim Shapiai, Daphne Teck Ching Lai,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.1689657956099038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of clinical scores is critical for early detection and prognosis of Alzheimers disease (AD). While existing approaches primarily focus on forecasting the ADAS-Cog global score, they often overlook the predictive value of its sub-scores (13 items), which capture domain-specific cognitive decline. In this study, we propose a multi task learning (MTL) framework that jointly predicts the global ADAS-Cog score and its sub-scores (13 items) at Month 24 using baseline MRI and longitudinal clinical scores from baseline and Month 6. The main goal is to examine how each sub scores particularly those associated with MRI features contribute to the prediction of the global score, an aspect largely neglected in prior MTL studies. We employ Vision Transformer (ViT) and Swin Transformer architectures to extract imaging features, which are fused with longitudinal clinical inputs to model cognitive progression. Our results show that incorporating sub-score learning improves global score prediction. Subscore level analysis reveals that a small subset especially Q1 (Word Recall), Q4 (Delayed Recall), and Q8 (Word Recognition) consistently dominates the predicted global score. However, some of these influential sub-scores exhibit high prediction errors, pointing to model instability. Further analysis suggests that this is caused by clinical feature dominance, where the model prioritizes easily predictable clinical scores over more complex MRI derived features. These findings emphasize the need for improved multimodal fusion and adaptive loss weighting to achieve more balanced learning. Our study demonstrates the value of sub score informed modeling and provides insights into building more interpretable and clinically robust AD prediction frameworks. (Github repo provided)
• Abstract（参考訳）: 臨床的スコアの正確な予測は、アルツハイマー病(AD)の早期発見と予後に重要である。 既存のアプローチは主にADAS-Cogのグローバルスコアの予測に重点を置いているが、ドメイン固有の認知低下を捉えるサブスコア(13項目)の予測値を見落としていることが多い。 本研究では,AAS-Cogスコアとサブスコア(13項目)をベースラインMRIと経時臨床スコアを用いて24ヶ月に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の特徴に関連する各サブスコアがどのようにグローバルスコアの予測に寄与するかを検討することである。 視覚変換器 (ViT) とスウィン変換器 (Swin Transformer) を用いて画像の特徴を抽出する。 この結果から,サブスコア学習の導入により,グローバルスコアの予測が向上することが示唆された。 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。 しかし、これらの影響力のあるサブスコアの中には、モデル不安定性を示す高い予測誤差を示すものもある。 さらに分析したところ、これはより複雑なMRI画像から得られる特徴よりも予測可能な臨床スコアが優先される臨床特徴の優位性が原因であることが示唆された。 これらの知見は、よりバランスの取れた学習を実現するために、マルチモーダル融合と適応的損失重み付けの改善の必要性を強調した。 本研究は、サブスコア情報モデリングの価値を実証し、より解釈可能で、臨床的に堅牢なAD予測フレームワークを構築するための洞察を提供する。 (Githubリポジトリ提供)

関連論文リスト

• A Weighted Vision Transformer-Based Multi-Task Learning Framework for Predicting ADAS-Cog Scores [1.3700362496838856]
  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。
  論文  参考訳（メタデータ） (2025-08-25T02:43:48Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Enhancing In-Hospital Mortality Prediction Using Multi-Representational Learning with LLM-Generated Expert Summaries [3.5508427067904864]
  ICU患者の院内死亡率(IHM)予測は、時間的介入と効率的な資源配分に重要である。 本研究は、構造化された生理データと臨床ノートをLarge Language Model(LLM)によって生成された専門家要約と統合し、IHM予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-25T16:36:38Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• 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)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• 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)

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。