論文の概要: SSL-AD: Spatiotemporal Self-Supervised Learning for Generalizability and Adaptability Across Alzheimer's Prediction Tasks and Datasets

• arxiv url: http://arxiv.org/abs/2509.10453v1
• Date: Fri, 12 Sep 2025 17:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.196667
• Title: SSL-AD: Spatiotemporal Self-Supervised Learning for Generalizability and Adaptability Across Alzheimer's Prediction Tasks and Datasets
• Title（参考訳）: SSL-AD: アルツハイマーの予測課題とデータセット全体での一般化可能性と適応性のための時空間自己監督学習
• Authors: Emily Kaczmarek, Justin Szeto, Brennan Nichyporuk, Tal Arbel,
• Abstract要約: 我々は3つの最先端の時間的自己教師学習(SSL)アプローチを3次元脳MRI解析に適用した。 本稿では、診断分類、変換検出、将来の変換予測を含む複数のアルツハイマーの予測タスクにまたがるモデルの性能を示す。
• 参考スコア（独自算出の注目度）: 2.4836875944302634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Alzheimer's disease is a progressive, neurodegenerative disorder that causes memory loss and cognitive decline. While there has been extensive research in applying deep learning models to Alzheimer's prediction tasks, these models remain limited by lack of available labeled data, poor generalization across datasets, and inflexibility to varying numbers of input scans and time intervals between scans. In this study, we adapt three state-of-the-art temporal self-supervised learning (SSL) approaches for 3D brain MRI analysis, and add novel extensions designed to handle variable-length inputs and learn robust spatial features. We aggregate four publicly available datasets comprising 3,161 patients for pre-training, and show the performance of our model across multiple Alzheimer's prediction tasks including diagnosis classification, conversion detection, and future conversion prediction. Importantly, our SSL model implemented with temporal order prediction and contrastive learning outperforms supervised learning on six out of seven downstream tasks. It demonstrates adaptability and generalizability across tasks and number of input images with varying time intervals, highlighting its capacity for robust performance across clinical applications. We release our code and model publicly at https://github.com/emilykaczmarek/SSL-AD.
• Abstract（参考訳）: アルツハイマー病は、記憶喪失と認知低下を引き起こす進行性神経変性疾患である。 深層学習モデルをアルツハイマーの予測タスクに適用する研究は盛んに行われているが、これらのモデルは利用可能なラベル付きデータの欠如、データセット間の一般化の低さ、様々な入力スキャン数とスキャン間の時間間隔に対する柔軟性に制限されている。 本研究では、3つの最先端の時間的自己教師学習(SSL)アプローチを3次元脳MRI解析に適用し、可変長入力の処理と堅牢な空間的特徴の学習を目的とした新しい拡張を加える。 我々は,3,161人のプレトレーニング患者からなる4つの公開データセットを集計し,診断分類,変換検出,将来の変換予測を含む複数のアルツハイマーの予測タスクにおけるモデルの性能を示す。 重要なことは、我々のSSLモデルは、時間的順序予測と対照的な学習で実装され、7つの下流タスクのうち6つで教師付き学習に優れています。 タスク間の適応性と一般化性、時間間隔の異なる入力画像の数を示し、臨床応用における堅牢なパフォーマンスの能力を強調している。 コードとモデルはhttps://github.com/emilykaczmarek/SSL-ADで公開しています。

関連論文リスト

• When Deep Learning Fails: Limitations of Recurrent Models on Stroke-Based Handwriting for Alzheimer's Disease Detection [3.6443770850509423]
  アルツハイマー病の検出には高価な神経画像撮影や侵襲的な処置が必要で、アクセシビリティが制限される。 本研究は, 深層学習が手書き解析による非侵襲的アルツハイマー病の検出を可能にするかどうかを考察する。
  論文  参考訳（メタデータ） (2025-08-05T11:10:11Z)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• Single Domain Generalization for Alzheimer's Detection from 3D MRIs with Pseudo-Morphological Augmentations and Contrastive Learning [6.412315842374278]
  この記事では、単一領域の一般化設定に焦点を当てる。 脳形態学はアルツハイマーの診断において重要な役割を担っていることが知られているため、学習可能な擬似形態学モジュールの使用を提案する。 3つのデータセットで実施された実験では、パフォーマンスと一般化能力が改善された。
  論文  参考訳（メタデータ） (2025-05-28T15:18:16Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Self-Supervision for Tackling Unsupervised Anomaly Detection: Pitfalls and Opportunities [50.231837687221685]
  自己教師付き学習(SSL)は、機械学習とその多くの現実世界のアプリケーションに変化をもたらした。 非教師なし異常検出(AD)は、自己生成性擬似異常によりSSLにも乗じている。
  論文  参考訳（メタデータ） (2023-08-28T07:55:01Z)
• DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications [0.9999629695552196]
  本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。 本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
  論文  参考訳（メタデータ） (2022-03-17T05:42:00Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。