論文の概要: A Sparse-Attention Deep Learning Model Integrating Heterogeneous Multimodal Features for Parkinson's Disease Severity Profiling

• arxiv url: http://arxiv.org/abs/2601.00519v1
• Date: Fri, 02 Jan 2026 00:51:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.491628
• Title: A Sparse-Attention Deep Learning Model Integrating Heterogeneous Multimodal Features for Parkinson's Disease Severity Profiling
• Title（参考訳）: パーキンソン病重症度推定のための不均一なマルチモーダル特徴を統合したスパース注意深層学習モデル
• Authors: Dristi Datta, Tanmoy Debnath, Minh Chau, Manoranjan Paul, Gourab Adhikary, Md Geaur Rahman,
• Abstract要約: Class-Weighted Sparse-Attention Fusion Network (SAFN)は、堅牢なマルチモーダルプロファイリングのための解釈可能なディープラーニングフレームワークである。 SAFNは、MRI皮質厚み、MRI体積測定、臨床評価、人口統計学変数を統合している。 精度は0.98プラスまたは0.02、PR-AUCは1.00プラスまたは0.00で、確立された機械学習およびディープラーニングベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 4.813020904720317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Characterising the heterogeneous presentation of Parkinson's disease (PD) requires integrating biological and clinical markers within a unified predictive framework. While multimodal data provide complementary information, many existing computational models struggle with interpretability, class imbalance, or effective fusion of high-dimensional imaging and tabular clinical features. To address these limitations, we propose the Class-Weighted Sparse-Attention Fusion Network (SAFN), an interpretable deep learning framework for robust multimodal profiling. SAFN integrates MRI cortical thickness, MRI volumetric measures, clinical assessments, and demographic variables using modality-specific encoders and a symmetric cross-attention mechanism that captures nonlinear interactions between imaging and clinical representations. A sparsity-constrained attention-gating fusion layer dynamically prioritises informative modalities, while a class-balanced focal loss (beta = 0.999, gamma = 1.5) mitigates dataset imbalance without synthetic oversampling. Evaluated on 703 participants (570 PD, 133 healthy controls) from the Parkinson's Progression Markers Initiative using subject-wise five-fold cross-validation, SAFN achieves an accuracy of 0.98 plus or minus 0.02 and a PR-AUC of 1.00 plus or minus 0.00, outperforming established machine learning and deep learning baselines. Interpretability analysis shows a clinically coherent decision process, with approximately 60 percent of predictive weight assigned to clinical assessments, consistent with Movement Disorder Society diagnostic principles. SAFN provides a reproducible and transparent multimodal modelling paradigm for computational profiling of neurodegenerative disease.
• Abstract（参考訳）: パーキンソン病(PD)の異種発現を特徴づけるには、生物学的および臨床的マーカーを統一的な予測枠組みに統合する必要がある。 マルチモーダルデータは相補的な情報を提供するが、既存の計算モデルは解釈可能性、クラス不均衡、高次元イメージングと表型臨床特徴の効果的な融合に苦慮している。 これらの制約に対処するために,頑健なマルチモーダルプロファイリングのための解釈可能なディープラーニングフレームワークであるSAFN(Class-Weighted Sparse-Attention Fusion Network)を提案する。 SAFNは、MRI皮質厚み、MRI体積測定、臨床評価、人口統計学変数をモダリティ特異的エンコーダと、画像と臨床表現の間の非線形相互作用を捉える対称的横断性機構を用いて統合する。 空間的に制約された注意誘導融合層は情報モダリティを動的に優先し、クラスバランスの焦点損失(ベータ=0.999、ガンマ=1.5)は合成オーバーサンプリングなしでデータセットの不均衡を緩和する。 パーキンソンのプログレッシブ・マーカー・イニシアチブの参加者703名(PD570名、健康管理133名)に対して、主観的5倍のクロスバリデーションを用いて評価し、SAFNは0.98プラスまたは0.02、PR-AUC1.00プラスまたは0.00の精度を達成し、確立された機械学習およびディープラーニングベースラインを上回っている。 解釈可能性分析は、臨床評価に割り当てられた予測重量の約60%が、運動障害協会の診断原則と一致している、臨床的に一貫性のある決定過程を示している。 SAFNは、神経変性疾患の計算プロファイリングのための再現可能で透明なマルチモーダルモデリングパラダイムを提供する。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• DRetNet: A Novel Deep Learning Framework for Diabetic Retinopathy Diagnosis [8.234135343778993]
  現在のDR検出システムは、画質の悪い画像、解釈可能性の欠如、ドメイン固有の知識の不十分な統合に苦慮している。 3つの革新的なコントリビューションを統合する新しいフレームワークを紹介します。 フレームワークの精度は92.7%、精度は92.5%、リコールは92.6%、F1スコアは92.5%、AUCは97.8%、mAPは0.96、MCCは0.85である。
  論文  参考訳（メタデータ） (2025-09-01T02:27:16Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• Early Detection of Multidrug Resistance Using Multivariate Time Series Analysis and Interpretable Patient-Similarity Representations [8.062368743143388]
  マルチドラッグ抵抗(MDR)は、世界的な健康問題であり、入院、医療費、死亡率の上昇を引き起こす。 本研究では,MDR予測のための解釈可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-24T16:19:13Z)
• 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)
• BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+ Breast Cancer Through Multifeature and Multimodal Data Fusion [16.83901927767791]
  画像から得られる特徴を遺伝的・臨床的データと融合して全体像を得る深層学習フレームワークであるBioFusionNetを提案する。 本モデルでは, 平均一致率0.77, 曲線0.84の時間依存領域を達成し, 最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-02-16T14:19:33Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Deep Orthogonal Fusion: Multimodal Prognostic Biomarker Discovery Integrating Radiology, Pathology, Genomic, and Clinical Data [0.32622301272834525]
  グリオーマ患者の生存率 (OS) を, 深層直交核融合モデルを用いて予測した。 このモデルは、MRI検査、生検に基づくモダリティ、臨床変数から得た情報を総合的なマルチモーダルリスクスコアに組み合わせることを学ぶ。 グリオーマ患者を臨床的サブセット内でOSにより明らかに層分けし、予後不良な臨床グレーディングと分子サブタイプにさらに粒度を付加する。
  論文  参考訳（メタデータ） (2021-07-01T17:59:01Z)

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。