論文の概要: ProMUSE: Progressive Multi-modal Uncertainty-guided Staged Evidential Alzheimer Disease Classification

• arxiv url: http://arxiv.org/abs/2606.19371v1
• Date: Thu, 11 Jun 2026 19:27:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.406666
• Title: ProMUSE: Progressive Multi-modal Uncertainty-guided Staged Evidential Alzheimer Disease Classification
• Title（参考訳）: ProMUSE : 進行性多モード不確実性誘導型段階的アルツハイマー病分類
• Authors: Long Doan, Branden Chen, Ethan Litton, Huan Huang, Jiajing Huang, Yixin Xie, Weihua Zhou, Nandakumar Narayanan, Chen Zhao,
• Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、高齢者の記憶と認知能力を破壊する致命的な疾患である。 AD診断は、臨床評価、構造的磁気共鳴イメージング(MRI)、ポジトロン・エミッション・トモグラフィ(PET)イメージングなどのマルチモーダルデータにますます依存している。 ProMUSE(Progressive Multi-modal Uncertainty Guided Staged Evidential Network)を提案する。
• 参考スコア（独自算出の注目度）: 9.175540289672623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Alzheimer's disease (AD) is a fatal disorder that destroys memory and cognitive skills in the elderly population. Most treatments for AD are effective in the early stage, leading to an increasing demand for early AD diagnosis. AD diagnosis increasingly relies on multimodal data such as clinical assessments, structural Magnetic Resonance Imaging (MRI), and Positron Emission Tomography (PET) imaging. However, MRI and PET acquisition remain costly and not universally accessible, making full-modality inference impractical in real-world clinical workflows. We propose ProMUSE, a Progressive Multi-modal Uncertainty Guided Staged Evidential Network that adaptively determines when additional modalities are necessary, helping reduce the overall cost of data acquisition while maintaining accuracy. ProMUSE first performs evidential classification using low-cost clinical data and quantifies uncertainty via a Dirichlet-based subjective logic model. When uncertainty exceeds a learned threshold, ProMUSE progressively incorporates MRI or PET features, fusing modality-wise belief and uncertainty through Dempster-Shafer theory to obtain a calibrated multimodal prediction. This staged acquisition strategy enables accurate diagnosis while minimizing reliance on expensive imaging. Experiments on ADNI, AIBL, and OASIS across CN-AD, CN-MCI, and MCI-AD tasks demonstrate that ProMUSE achieves competitive or superior accuracy compared to full-modality baselines while reducing MRI/PET usage by 50-90%, yielding substantial cost savings. These results highlight ProMUSE as a practical, uncertainty-aware, and resource-efficient solution for real-world AD screening.
• Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は、高齢者の記憶と認知能力を破壊する致命的な疾患である。 多くのAD治療は早期に有効であり、早期AD診断の需要が高まっている。 AD診断は、臨床評価、構造的磁気共鳴イメージング(MRI)、ポジトロン・エミッション・トモグラフィ(PET)イメージングなどのマルチモーダルデータにますます依存している。 しかし、MRIとPETの取得は費用がかかり、一般にはアクセスできないため、実際の臨床ワークフローでは完全なモダリティ推論は不可能である。 ProMUSEはプログレッシブ・マルチモーダル・不確実性ガイド付ステージド・エビデンシャル・ネットワークで、追加のモダリティが必要なタイミングを適応的に決定し、精度を維持しながらデータ取得の全体的なコストを削減する。 ProMUSEはまず、低コストな臨床データを用いて明確な分類を行い、ディリクレに基づく主観的論理モデルを用いて不確実性を定量化する。 不確実性が学習しきい値を超えると、ProMUSEは徐々にMRIやPETの特徴を取り入れ、Dempster-Shafer理論を通じてモダリティに関する信念と不確実性を融合させ、校正されたマルチモーダル予測を得る。 この段階的取得戦略は、高価な画像への依存を最小限に抑えつつ、正確な診断を可能にする。 CN-AD、CN-MCI、MCI-ADタスクにわたるADNI、AIBL、OASISの実験は、ProMUSEがMRI/PET使用率を50-90%削減し、完全なモダリティベースラインと比較して競争力または優れた精度を達成することを示した。 これらの結果は、現実のADスクリーニングのための実用的で、不確実性を認識し、リソース効率の高いソリューションとして、ProMUSEを強調している。

関連論文リスト

• Alzheimer's Disease Diagnosis using a Multimodal Approach with 3D MRI and PET [8.600348180154592]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、不可逆的な神経変性疾患であり、世界中の死因である。 磁気共鳴イメージング(MRI)やポジトロン・エミッション・トモグラフィ(PET)スキャンのようなニューロイメージングデータは、疾患に関連する構造的、機能的な脳変化を提供することで、早期に脳の変化を検出するのに役立つ。 しかし、多くのマルチモーダルモデルは依然としてMRIとPETを静的な結合で融合させ、全ての被験者に同じ計算を適用している。 本稿では, 3次元畳み込み特徴抽出器と3つの融合戦略(連結, Gated Multimodal Unit, GMU, ゲート自己注意)を組み合わせるための最初の研究について述べる。
  論文  参考訳（メタデータ） (2026-06-18T10:11:14Z)
• SDM-Q: Cost-Aware Staged Decision-Making for Multi-Omics Classification with Deep Q-Learning [11.225104702367693]
  適応型・コスト対応型マルチオミクス分類のための強化学習フレームワークであるSDM-Qを提案する。 また,SDM-Qは,競合的分類性能を維持しつつ,冗長なモダリティ獲得を効果的に抑制することを示した。
  論文  参考訳（メタデータ） (2026-05-29T08:47:51Z)
• Precision Synthesis of Multi-Tracer PET via VLM-Modulated Rectified Flow for Stratifying Mild Cognitive Impairment [18.327314951102533]
  マルチトラック合成PETをMRIから合成するドメインインフォームド ReCT フローモデル DIReCT$++$ を紹介する。 当社のアプローチでは,複雑なクロスモーダルおよびクロストラサー関係を捉えるために,3次元修正フローアーキテクチャを統合している。 以上の結果から,DIReCT$++$は優れた忠実度と一般化性を有する合成PET画像を生成するだけでなく,病原性パターンを正確に再カプセル化することを示した。
  論文  参考訳（メタデータ） (2026-04-13T08:37:24Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• 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)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• 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)
• 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)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)

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。