Fugu-MT 論文翻訳(概要): AT-Attn: Temporal-Aware Cross-Attention for Longitudinal Multimodal Alzheimer's Disease Diagnosis

論文の概要: AT-Attn: Temporal-Aware Cross-Attention for Longitudinal Multimodal Alzheimer's Disease Diagnosis

arxiv url: http://arxiv.org/abs/2607.07091v1
Date: Wed, 08 Jul 2026 07:25:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-09 22:50:30.313995
Title: AT-Attn: Temporal-Aware Cross-Attention for Longitudinal Multimodal Alzheimer's Disease Diagnosis
Title（参考訳）: AT-Attn : 経時的多剤性アルツハイマー病診断におけるクロスアテンション
Abstract要約: 縦断的アルツハイマー病(AD)診断支援では,不定期訪問時に臨床および画像情報が収集されることが多い。本稿では, 経時的マルチモーダルフレームワークであるAT-Attnを提案する。
参考スコア（独自算出の注目度）: 9.26430087315053
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In longitudinal Alzheimer's disease (AD) diagnosis support, clinical and imaging information is often collected at irregular visits. Integrating these multimodal observations may improve diagnostic assessment, but naive fusion can degrade performance when MRI is noisy or intermittently unavailable. We propose AT-Attn, a temporal-aware multimodal framework that combines Change-and-Time encoding, time-biased asymmetric cross-attention, and gated fusion to integrate MRI with longitudinal clinical information. We evaluate AT-Attn on an MRI-retained ADNI cohort of 1,520 patients using structural MRI, six cognitive-scale trajectories, and seven static clinical variables under patient-level five-fold cross-validation. The main asymmetric AT-Attn model achieves accuracy 0.719+/-0.024, macro F1 0.721+/-0.023, ROC-AUC 0.873+/-0.013, and PR-AUC 0.783+/-0.018, outperforming unimodal and naive multimodal fusion baselines while remaining competitive with strong tabular baselines. These results suggest that a temporal-aware and constrained fusion strategy can help structural MRI contribute clinically relevant complementary information for patient-level AD diagnosis support.
Abstract（参考訳）: 縦断的アルツハイマー病(AD)診断支援では,不定期訪問時に臨床および画像情報が収集されることが多い。これらのマルチモーダルな観察を統合することで診断精度が向上する可能性があるが、単純核融合はMRIがノイズまたは間欠的に利用できないときに性能が低下する可能性がある。本稿では, 経時的マルチモーダルフレームワークであるAT-Attnを提案する。構造MRI1,520例のADNIコホート1,520例のAT-Attnの評価を行った。主非対称AT-Attnモデルは精度0.719+/-0.024、マクロF1 0.721+/-0.023、ROC-AUC 0.873+/-0.013、PR-AUC 0.783+/-0.018を達成し、強いタブ状ベースラインと競合しながら、単調およびナイーブなマルチモーダル融合ベースラインを上回っている。以上の結果から, 時間的認識・拘束的融合戦略は, 臨床上の相補的情報を患者レベルのAD診断支援に役立てる可能性が示唆された。

関連論文リスト

Female-RHINO: A Real-Time Scanner-Integrated Framework for Automated Quantitative Uterine MRI Analysis and Structured Reporting [0.48435958653031097]
女性RHINO: (R)eproductive (H)ealth (I)maging A(N)alysis T(O)ol, a real-time AI-assisted framework for automated quantitative uterine MRI analysis and structured reporting during image acquisition。
論文参考訳（メタデータ） (2026-06-23T10:22:25Z)
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)
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)
Multi-modal MRI-Based Alzheimer's Disease Diagnosis with Transformer-based Image Synthesis and Transfer Learning [0.0]
アルツハイマー病(英語: Alzheimer's disease, AD)は、進行性神経変性疾患であり、臨床症状の発症より何年も前から病理学的変化が始まっている。 T1w MRIから直接FAおよびMDマップを予測する3DトランスUNet画像合成フレームワークを提案する。私のモデルは高忠実度マップを生成し、構造類似度指数(SSIM)が0.93を超え、ピアーソン相関が強い(>0.94)。
論文参考訳（メタデータ） (2026-01-09T22:26:38Z)
A Sparse-Attention Deep Learning Model Integrating Heterogeneous Multimodal Features for Parkinson's Disease Severity Profiling [4.813020904720317]
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。
論文参考訳（メタデータ） (2026-01-02T00:51:21Z)
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)
Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。 PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
論文参考訳（メタデータ） (2025-11-07T03:51:00Z)
LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文参考訳（メタデータ） (2025-08-23T07:21:23Z)
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)
Cross-Attention Fusion of MRI and Jacobian Maps for Alzheimer's Disease Diagnosis [5.955559082904072]
アルツハイマー病分類におけるsMRI強度とJSM由来の変形の関係をモデル化するクロスアテンション融合フレームワークを提案する。 ROC-AUCスコアはAD対認知正常(CN)、0.692は軽度認知障害(MCI)、CNは平均0.903である。性能は高いが、我々のモデルは依然として非常に効率的であり、パラメータはわずか156万で、ResNet-34 (63M) と Swin UNETR (61.98M) の40倍以上である。
論文参考訳（メタデータ） (2025-03-01T18:50:46Z)
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)
A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis [36.12790384412525]
変形性膝関節症におけるTKR(Total Knee Replacement)の必要性を予測するための深層学習モデルを開発した。モデルは、単一のスキャンを使用してTKR予測を実行し、さらに、以前のスキャンが利用可能になった場合、プログレッシブなリスク定式化を活用して予測を改善する。変形性膝関節症(OAI)と多施設関節症研究(MOST)の膝X線写真とMRIを用いた。
論文参考訳（メタデータ） (2024-06-14T15:24:49Z)
An Interpretable Cross-Attentive Multi-modal MRI Fusion Framework for Schizophrenia Diagnosis [46.58592655409785]
本稿では,fMRI と sMRI のモーダル内およびモーダル間関係を捉えるために,CAMF (Cross-Attentive Multi-modal Fusion framework) を提案する。提案手法は,2つの広範囲なマルチモーダル脳画像データセットを用いた評価により,分類精度を著しく向上させる。勾配誘導Score-CAMは、統合失調症に関連する重要な機能的ネットワークと脳領域の解釈に応用される。
論文参考訳（メタデータ） (2024-03-29T20:32:30Z)

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。