論文の概要: Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data

• arxiv url: http://arxiv.org/abs/2606.11794v1
• Date: Wed, 10 Jun 2026 08:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.362589
• Title: Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data
• Title（参考訳）: 構造MRIと臨床データを用いたアルツハイマー病重症度のマルチモーダルモデル
• Authors: Boris-Stephan Rauchmann, Jonathan Laib, Buse Ercik, Robert Perneczky, Sergio Altares-López,
• Abstract要約: アルツハイマー病(AD)は、重症度を評価するための正確でスケーラブルなツールを必要とする。 自動かつ解釈可能なAD重度ステージングのための順序回帰を用いた注目強化型機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurodegenerative diseases such as Alzheimer's disease (AD) require accurate and scalable tools for assessing disease severity, yet current clinical staging remains time-intensive and prone to variability. We propose an attention-enhanced multimodal machine learning framework with ordinal regression for automated and interpretable AD severity staging. The framework integrates T1-weighted MRI with demographic and genetic variables and compares unimodal and multimodal architectures using ordinal and non-ordinal prediction heads. Models were trained and validated using cohort-stratified splits derived from the ADNI, AIBL, and NIFD datasets. A strictly held-out test set was constructed using subjects excluded from all training, validation, preprocessing, and hyperparameter tuning procedures, with subject-level splitting employed throughout to prevent data leakage. Among unimodal approaches, the T1-weighted MRI model achieved slightly higher adjacent-stage accuracy (0.963) and agreement with clinical staging (QWK 0.444) than the tabular model (QWK 0.433). Integrating imaging, demographic, and genetic information improved overall performance. The multimodal non-ordinal baseline achieved the lowest prediction error (MAE 0.340), whereas the ordinal multimodal model achieved the highest adjacent-stage accuracy (0.970) and strongest agreement with clinical staging (QWK 0.549). These findings indicate that ordinal formulations better capture the ordered structure of the CDR scale and yield predictions more consistent with clinical staging. Explainability analyses using Grad CAM++ and SHAP demonstrated anatomically and clinically plausible model behavior, supporting transparent decision-making. Overall, attention-based multimodal learning with ordinal regression represents a robust, interpretable, and scalable approach for automated AD severity staging and AI-assisted clinical decision support.
• Abstract（参考訳）: アルツハイマー病(AD)のような神経変性疾患は、病気の重症度を評価するための正確でスケーラブルなツールを必要とするが、現在の臨床ステージングは時間集約的で変動しがちである。 自動かつ解釈可能なAD重度ステージングのための順序回帰型マルチモーダル機械学習フレームワークを提案する。 このフレームワークは、T1強調MRIと、人口統計学的および遺伝的変数を統合し、順序性および非順序性予測ヘッドを用いて、一様および多モードアーキテクチャと比較する。 モデルは、ADNI、AIBL、NIFDデータセットから派生したコホート層分割を用いて訓練され、検証された。 すべてのトレーニング、検証、前処理、ハイパーパラメータチューニング手順から除外された被験者を用いて、厳格に保持されたテストセットを構築し、データ漏洩を防止するために被検者レベルの分割を行った。 T1強調MRIはT1強調MRIモデル(0.963)とQWK0.444(QWK0.433)との整合性(QWK0.444)を有意差なく達成した。 画像、人口統計、遺伝情報を統合することで、全体的なパフォーマンスが向上した。 多モード非順序ベースラインは最小予測誤差 (MAE 0.340) を達成し, 標準マルチモーダルモデルは最も高い隣接ステージ精度 (0.970) と臨床ステージ化 (QWK 0.549) を達成した。 以上の結果から,CDR尺度の順序構造をよりよく把握し,臨床段階とより整合した予測が得られた。 Grad CAM++とSHAPを用いた説明可能性分析では、解剖学的および臨床的に妥当なモデル挙動を示し、透明な意思決定をサポートする。 全般的に、順序回帰を用いた注意ベースのマルチモーダル学習は、自動AD重度ステージングとAI支援臨床決定支援のための堅牢で解釈可能なスケーラブルなアプローチである。

関連論文リスト

• Multimodal Fusion of Histopathology Images and Electronic Health Records for Early Breast Cancer Diagnosis [15.70912899013153]
  本稿では, パッチレベルの病理組織学的特徴を構造化された臨床データと統合する体系的枠組みを提案する。 単相画像モデル(単純なCNNベースラインと転送学習を備えたResNet-18)と中間融合モデル(XGBoostと多層パーセプトロン)を訓練し評価する。 以上の結果から,マルチモーダル統合は,予測性能と臨床透明性の両方において有意義な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-04-18T19:46:34Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• MRC-GAT: A Meta-Relational Copula-Based Graph Attention Network for Interpretable Multimodal Alzheimer's Disease Diagnosis [2.2399170518036913]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、早期かつ正確な診断を必要とする進行性神経変性疾患である。 近年の研究では、精度と信頼性を高めるためにコンピュータ支援診断モデルに注目が集まっている。 これらの制約を克服するために,AD分類タスクの効率的なマルチモーダルモデルとして,Meta-Relational Copula-Based Graph Attention Network (MRC-GAT)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T17:15:32Z)
• 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)
• Ocular-Induced Abnormal Head Posture: Diagnosis and Missing Data Imputation [1.7061463565692456]
  AHP(Acular-induced abnormal head posture)は、眼疾患から生じる補充機構である。 本研究では,2つの相補的なディープラーニングフレームワークを通じて,両課題に対処する。 AHP-CADNetは自動診断のための多層注意融合フレームワークである。 カリキュラムベースの計算フレームワークは、欠落したデータを緩和するために設計されている。
  論文  参考訳（メタデータ） (2025-10-07T07:51:59Z)
• Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
  10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
  論文  参考訳（メタデータ） (2024-10-02T03:21:01Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)

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。