論文の概要: Flexible Multimodal Neuroimaging Fusion for Alzheimer's Disease Progression Prediction

• arxiv url: http://arxiv.org/abs/2509.12234v1
• Date: Mon, 08 Sep 2025 16:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.630035
• Title: Flexible Multimodal Neuroimaging Fusion for Alzheimer's Disease Progression Prediction
• Title（参考訳）: アルツハイマー病進行予測のためのフレキシブル・マルチモーダル・ニューロイメージング・フュージョン
• Authors: Benjamin Burns, Yuan Xue, Douglas W. Scharre, Xia Ning,
• Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、認知低下率の患者間差が高い進行性神経変性疾患である。 PerM-MoEは、従来の単一ルータの代わりに独立したルータを各モードで使用する、新しいスパース・ミックス・オブ・エキスパート方式である。 PerM-MoE, State-of-the-art Flex-MoE, and unimodal neuroimaging model on predicting two-year change in Clinical Dementia Rating-Sum of Boxes (CDR-SB) scores under various level of modality missingness。
• 参考スコア（独自算出の注目度）: 9.628895561262608
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Alzheimer's disease (AD) is a progressive neurodegenerative disease with high inter-patient variance in rate of cognitive decline. AD progression prediction aims to forecast patient cognitive decline and benefits from incorporating multiple neuroimaging modalities. However, existing multimodal models fail to make accurate predictions when many modalities are missing during inference, as is often the case in clinical settings. To increase multimodal model flexibility under high modality missingness, we introduce PerM-MoE, a novel sparse mixture-of-experts method that uses independent routers for each modality in place of the conventional, single router. Using T1-weighted MRI, FLAIR, amyloid beta PET, and tau PET neuroimaging data from the Alzheimer's Disease Neuroimaging Initiative (ADNI), we evaluate PerM-MoE, state-of-the-art Flex-MoE, and unimodal neuroimaging models on predicting two-year change in Clinical Dementia Rating-Sum of Boxes (CDR-SB) scores under varying levels of modality missingness. PerM-MoE outperforms the state of the art in most variations of modality missingness and demonstrates more effective utility of experts than Flex-MoE.
• Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は、認知低下率の患者間差が高い進行性神経変性疾患である。 進行予測は、患者の認知低下と、複数のニューロイメージングモダリティを取り入れることの恩恵を予測することを目的としている。 しかし、既存のマルチモーダルモデルでは、推論中に多くのモダリティが欠落している場合に正確な予測ができない。 高モダリティの欠如下でのマルチモーダルモデルの柔軟性を高めるために,従来の単一ルータの代わりに独立したルータを用いる新しいスパース混合演算法PerM-MoEを導入する。 T1-weighted MRI, FLAIR, amyloid beta PET, tau PET neuroimaging data from the Alzheimer's Disease Neuroimaging Initiative (ADNI), we evaluate PerM-MoE, State-of-the-art Flex-MoE, and unimodal neuroimaging model on predicting two-year change in Clinical Dementia Rating-Sum of Boxes (CDR-SB) scores under various levels of modality missingness。 PerM-MoEは、多くのモダリティの欠如において最先端の技術を上回り、Flex-MoEよりも専門家の有効性を示している。

関連論文リスト

• EffNetViTLoRA: An Efficient Hybrid Deep Learning Approach for Alzheimer's Disease Diagnosis [2.220152876549942]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、世界の神経変性疾患の一つ。 EffNetViTLoRA は Alzheimer's Disease Neuroimaging Initiative (ADNI) Magnetic Resonance Imaging (MRI) データセットを用いたAD診断のエンドツーエンドモデルである。
  論文  参考訳（メタデータ） (2025-08-26T18:22:28Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• 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)
• GFE-Mamba: Mamba-based AD Multi-modal Progression Assessment via Generative Feature Extraction from MCI [5.834776094182435]
  アルツハイマー病(英語: Alzheimer's Disease、AD)は、軽度認知障害(MCI)に由来する進行性で不可逆的な神経変性疾患である。 GFE-Mambaモデルは、MCIからADへの進行を効果的に予測し、この分野におけるいくつかの主要な手法を超える。
  論文  参考訳（メタデータ） (2024-07-22T15:22:33Z)
• 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)
• Improving Normative Modeling for Multi-modal Neuroimaging Data using mixture-of-product-of-experts variational autoencoders [0.0]
  既存の変分オートエンコーダ(VAE)ベースの規範モデルは、積を推定したり、不定形遅延後部の平均化によって複数のモードから情報を集約する。 これはしばしば、主観レベルの偏差の推定に影響を及ぼす非形式的な関節潜伏分布をもたらす。 後肢後肢のモデリングを改善するMixture-of-Product-of-Experts法を応用した。
  論文  参考訳（メタデータ） (2023-12-02T01:17:01Z)
• 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)
• Benchmarking Continuous Time Models for Predicting Multiple Sclerosis Progression [46.394865849252696]
  多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。 最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。 公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。 最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
  論文  参考訳（メタデータ） (2023-02-15T18:45:32Z)
• 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)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)

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。