論文の概要: Forecasting Medium-Horizon Alzheimer's Disease Progression: Residual Gap-Aware Transformers for 24-Month CDR-SB Change from ADNI Clinical and Biomarker Histories
- arxiv url: http://arxiv.org/abs/2605.16319v1
- Date: Mon, 04 May 2026 23:05:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 12:34:33.883547
- Title: Forecasting Medium-Horizon Alzheimer's Disease Progression: Residual Gap-Aware Transformers for 24-Month CDR-SB Change from ADNI Clinical and Biomarker Histories
- Title（参考訳）: 中水平アルツハイマー病の進展を予知する:ADNI臨床およびバイオマーカーからの24カ月CDR-SB変化に対する残留ギャップ対応トランスフォーマ
- Authors: Ran Tong, Tong Wang, Lanruo Wang, Yin Ni,
- Abstract要約: CDR-SBによる24カ月間の臨床認知度評価法(CDR-SB)の変化をアンカーベースで解析した。
混合効果統計参照と変圧器に基づく残差学習を組み合わせた残差認識変換器を提案する。
- 参考スコア（独自算出の注目度）: 2.3948878478085938
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Medium-horizon Alzheimer's disease progression prediction is difficult because future clinical scores can remain tied to baseline severity, while biomarker histories are irregular and incompletely observed. We develop an anchor-based analysis of 24-month Clinical Dementia Rating Sum of Boxes (CDR-SB) change using harmonized Alzheimer's Disease Neuroimaging Initiative (ADNI) tables. Each labeled sample is anchored at a mild cognitive impairment visit, uses only clinical and biomarker history observed at or before that anchor, and defines the response as CDR-SB at the future visit closest to 24 months within an 18--30 month window minus anchor CDR-SB. The analytic cohort contains 2,600 labeled anchors from 858 participants and 7,276 longitudinal rows. We propose a residual gap-aware transformer that combines a mixed-effects statistical reference with transformer-based residual learning from pre-anchor clinical and biomarker histories. The model uses participant-level random intercepts in the mixed-effects reference, observation-level triplet tokenization for irregular histories, and a learned nonnegative time-gap penalty inside self-attention. We compare the proposed model with a Bayesian-information-criterion-selected linear mixed-effects baseline, GRU-D, and STraTS under repeated participant-level train--test splits. Across five participant-level random seeds, the proposed model achieves the best mean test performance across all reported metrics, reducing MSE by 13.1% and increasing prediction--observation correlation by 26.4% relative to the mixed-effects baseline. It also improves over both GRU-D and STraTS in mean error and correlation. These results show that statistical anchoring and gap-aware residual learning provide a useful structure for medium-horizon Alzheimer's disease progression prediction.
- Abstract（参考訳）: 中ホライゾン型アルツハイマー病の進行予測は、将来の臨床検査結果がベースラインの重症度に結びついているため困難であり、バイオマーカーのヒストリーは不規則で不完全である。
アルツハイマー病神経画像イニシアチブ(ADNI)テーブルを用いて,24カ月間の臨床認知症レーティング・サム・オブ・ボックス(CDR-SB)の変化をアンカーベースで分析した。
各ラベル付きサンプルは、軽度の認知障害訪問で固定され、そのアンカーの前後で観察された臨床およびバイオマーカー履歴のみを使用し、CDR-SBとして18～30ヶ月の窓のマイナスアンカーCDR-SBの24ヶ月以内の訪問で、その応答をCDR-SBと定義する。
分析コホートには858人の参加者から2,600個のラベル付きアンカーと7,276個の縦列が含まれている。
本研究では, 混合効果統計参照とトランスフォーマーに基づく残差学習を併用した残差認識型トランスフォーマーを提案する。
このモデルは、混合効果参照における参加者レベルのランダムインターセプト、不規則な履歴に対する観察レベルのトリプルトトークン化、そして自己注意の中で学習された非負のタイムギャップペナルティを使用する。
提案モデルとベイジアン情報基準選択線形混合効果ベースライン, GRU-D, STraTS を比較した。
5つの参加者レベルのランダムな種子に対して、提案モデルは、報告されたすべての指標で最高の平均テスト性能を達成し、MSEを13.1%削減し、混合効果ベースラインに対する予測-観測相関を26.4%増加させた。
また、GRU-DとSTraTSを平均誤差と相関で改善する。
以上の結果より, 統計的アンカーとギャップ認識残差学習は中水平アルツハイマー病の進行予測に有用であることが示唆された。
関連論文リスト
- PROMISE-AD: Progression-aware Multi-horizon Survival Estimation for Alzheimer's Disease Progression and Dynamic Tracking [12.168319671275375]
アルツハイマー病(AD)の進行予測には、不規則な訪問、診断漏れの回避、地平線リスクの提供といったモデルが必要である。
認知正常(CN)から軽度認知障害(MCI)への変換を予測するためのリークセーフサバイバルフレームワークProMISE-ADを提案する。
ProMISE-ADは、インデクス前訪問を標準化された測定値、不足マスク、縦方向の変化、時間正規化斜面、訪問タイミング、非診断的カテゴリー属性でMCIトークンに変換する。
論文 参考訳（メタデータ） (2026-04-30T16:01:30Z) - Multimodal Deep Learning for Early Prediction of Patient Deterioration in the ICU: Integrating Time-Series EHR Data with Clinical Notes [0.0]
集中治療室(ICU)における臨床劣化のリスクのある患者の早期発見は依然として重要な課題である。
本研究は,24時間以内の患者劣化を予測するために,構造化時系列データ(硝子体標識と実験室値)と非構造化臨床ノートを併用した多モード深層学習手法を提案する。
本アーキテクチャでは,生理的データにおける時間的パターンに対する双方向LSTMエンコーダと臨床メモのためのクリニカルBERT埋め込みを,クロスモーダルアテンション機構を通じて融合させる。
論文 参考訳（メタデータ） (2026-03-16T01:50:08Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳（メタデータ） (2026-01-29T14:06:50Z) - Comparative assessment of fairness definitions and bias mitigation strategies in machine learning-based diagnosis of Alzheimer's disease from MR images [4.569587135821805]
本研究では,MCIとアルツハイマー病(AD)の診断のための機械学習モデル(ML)の公平性解析をMRIによる神経画像特徴から行う。
マルチコホートデータセットにおける年齢,人種,性別に関連するバイアスについて検討した。
その結果、年齢や人種に関連するバイアスの存在が明らかとなったが、有意な性別バイアスは観察されなかった。
論文 参考訳（メタデータ） (2025-05-29T15:07:19Z) - Comprehensive Methodology for Sample Augmentation in EEG Biomarker Studies for Alzheimers Risk Classification [0.0]
主な型であるアルツハイマー病(AD)は70%の症例である。
脳波測定はADリスクを識別する可能性を示しているが、信頼性の高い比較のために大規模なサンプルを取得することは困難である。
本研究では,信号処理,調和化,統計的手法を統合し,サンプルサイズを向上し,ADリスク分類の信頼性を向上させる。
論文 参考訳（メタデータ） (2024-11-20T10:31:02Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Undersampling and Cumulative Class Re-decision Methods to Improve
Detection of Agitation in People with Dementia [16.949993123698345]
消化は認知症(PwD)で最も多い症状の1つである。
前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。
本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
論文 参考訳（メタデータ） (2023-02-07T03:14:00Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z)
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。