論文の概要: Alzheimer's Disease Prediction Using EffNetViTLoRA and BiLSTM with Multimodal Longitudinal MRI Data
- arxiv url: http://arxiv.org/abs/2511.22774v1
- Date: Thu, 27 Nov 2025 21:53:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.717528
- Title: Alzheimer's Disease Prediction Using EffNetViTLoRA and BiLSTM with Multimodal Longitudinal MRI Data
- Title（参考訳）: EffNetViTLoRA と BiLSTM によるアルツハイマー病の予知
- Authors: Mahdieh Behjat Khatooni, Mohsen Soryani,
- Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶障害、意思決定障害、全体的な認知機能障害である。
本研究では、アルツハイマー病神経画像イニシアチブ(ADNI)のMCI症例を用いたAD予測のための一般化されたエンドツーエンドディープラーニングモデルを提案する。
我々のハイブリッドアーキテクチャは、畳み込みニューラルネットワークとビジョントランスフォーマーを統合し、MRIスキャンから局所的な空間的特徴とグローバルなコンテキスト依存の両方をキャプチャする。
我々のマルチモーダルモデルは、sMCIとpMCIの間の平均進行予測精度を95.05%達成し、AD予測における既存の研究を上回った。
- 参考スコア（独自算出の注目度）: 2.220152876549942
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Alzheimer's disease (AD) is a prevalent neurodegenerative disorder that progressively impairs memory, decision-making, and overall cognitive function. As AD is irreversible, early prediction is critical for timely intervention and management. Mild Cognitive Impairment (MCI), a transitional stage between cognitively normal (CN) aging and AD, plays a significant role in early AD diagnosis. However, predicting MCI progression remains a significant challenge, as not all individuals with MCI convert to AD. MCI subjects are categorized into stable MCI (sMCI) and progressive MCI (pMCI) based on conversion status. In this study, we propose a generalized, end-to-end deep learning model for AD prediction using MCI cases from the Alzheimer's Disease Neuroimaging Initiative (ADNI). Our hybrid architecture integrates Convolutional Neural Networks and Vision Transformers to capture both local spatial features and global contextual dependencies from Magnetic Resonance Imaging (MRI) scans. To incorporate temporal progression, we further employ Bidirectional Long Short-Term Memory (BiLSTM) networks to process features extracted from four consecutive MRI timepoints along with some other non-image biomarkers, predicting each subject's cognitive status at month 48. Our multimodal model achieved an average progression prediction accuracy of 95.05\% between sMCI and pMCI, outperforming existing studies in AD prediction. This work demonstrates state-of-the-art performance in longitudinal AD prediction and highlights the effectiveness of combining spatial and temporal modeling for the early detection of Alzheimer's disease.
- Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶障害、意思決定障害、全体的な認知機能障害である。
ADは不可逆であるので、早期予測はタイムリーな介入と管理にとって重要である。
認知正常(CN)とADの移行段階である軽度認知障害(MCI)は早期AD診断において重要な役割を担っている。
しかし、MCIの進行を予測することは重要な課題であり、MCIを持つすべての人がADに転換するわけではない。
MCIの被験者は、コンバージョンステータスに基づいて、安定したMCI(sMCI)とプログレッシブMCI(pMCI)に分類される。
本研究では、アルツハイマー病神経画像イニシアチブ(ADNI)のMCI症例を用いて、AD予測のための一般化されたエンドツーエンドディープラーニングモデルを提案する。
我々のハイブリッドアーキテクチャは、畳み込みニューラルネットワークとビジョントランスフォーマーを統合し、磁気共鳴イメージング(MRI)スキャンから局所的な空間的特徴とグローバルなコンテキスト依存の両方をキャプチャする。
さらに,2方向長短期記憶(BiLSTM)ネットワークを用いて,4つのMRIタイムポイントから抽出した特徴と,他の非画像バイオマーカーを併用し,各被験者の48ヶ月の認知状態を予測する。
マルチモーダルモデルでは,sMCIとpMCI間の平均進行予測精度が95.05\%に達し,AD予測における既存研究を上回った。
本研究は,長期AD予測における最先端性能を実証し,アルツハイマー病早期発見のための空間モデルと時間モデルの組み合わせの有効性を強調した。
関連論文リスト
- FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。
病的シグネチャの最初の系統的周波数領域解析を行う。
周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
論文 参考訳（メタデータ） (2025-11-17T02:40:14Z) - 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) - Cross-modal Causal Intervention for Alzheimer's Disease Prediction [13.584994367762398]
アルツハイマー病診断のためのCross-modal Causal Intervention with Mediator (MediAD) という視覚言語因果性に着想を得たフレームワークを提案する。
我々の枠組みは、統一因果介入法により、観測可能・観測不可能な共同創設者の効果を暗黙的に緩和する。
論文 参考訳（メタデータ） (2025-07-18T14:21:24Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。
この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
論文 参考訳（メタデータ） (2024-06-19T07:31:47Z) - 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) - Interpretable Weighted Siamese Network to Predict the Time to Onset of
Alzheimer's Disease from MRI Images [5.10606091329134]
患者がADステージにどの程度近づいたかを予測するために,脳画像分類を日常的な分類タスクとして再編成した。
我々はアルツハイマー病神経画像イニシアチブデータセットから進行性MCI患者を選定した。
我々は、MRI脳画像に基づいて、AD開始時刻を予測するために、シームズネットワークモデルを訓練する。
論文 参考訳（メタデータ） (2023-04-14T12:36:43Z) - Morphological feature visualization of Alzheimer's disease via
Multidirectional Perception GAN [40.50404819220093]
アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。
MP-GANは既存の手法に比べて優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-11-25T03:24:52Z) - 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。