論文の概要: Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts

• arxiv url: http://arxiv.org/abs/2607.11656v1
• Date: Mon, 13 Jul 2026 15:05:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.521868
• Title: Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts
• Title（参考訳）: インキュベーションフリーなトランスフォーマー学習は、多種性臨床コホートにおける堅牢なアルツハイマー病の予測と校正不確実性定量化を可能にする
• Authors: Christelle Schneuwly Diaz, Narmina Baghirova, Duy-Thanh Vu, Duy-Cat Can, Gilles Allali, Philippe Ryvlin, Oliver Y. Chén,
• Abstract要約: ニトロゲン(NITROGEN)は、患者内部の特徴と患者間の関係構造を共同でモデル化する、計算不要なトランスフォーマーである。 ADNIでNITROGENを訓練し,2つの独立したコホートで評価した。
• 参考スコア（独自算出の注目度）: 1.2407987412519395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate diagnostic classification and disease-severity prediction for Alzheimer's disease are hampered by the incompleteness and heterogeneity of real-world clinical data. Left unaddressed, these barriers prevent reliable disease modelling and hinder effective clinical evaluation. Conventional imputation strategies introduce systematic bias, distort inter-feature relationships, and yield overconfident predictions, limitations especially consequential in diagnostic settings. Here, we propose NITROGEN, an imputation-free transformer that jointly models within-patient feature dependencies and between-patient relational structure through masked and intersample attention, enabling robust multimodal learning directly from partially observed records. We trained NITROGEN on ADNI (N=7858 scans), and evaluated it on two independent cohorts: OASIS-3 (N=2675 scans) and AIBL (N=1286 scans). Across cohorts and diagnostic and cognitive score prediction tasks, NITROGEN showed robust calibration and uncertainty quantification advantages over tree-based ensemble methods, while maintaining competitive discriminative performance. Cross-cohort and cross-method analyses identified cortical thickness in the temporal pole, age, and APOE genotype as important, though not individually sufficient, features for AD classification. We further introduced a modality-aware uncertainty adjustment that augments predictive uncertainty proportionally to the importance of absent modalities, enabling calibrated confidence when diagnostic information is unavailable. Together, our results show that imputation-free attention learning preserved meaningful discrimination under cohort shift, revealing expected degradation on more distributionally different cohorts, and demonstrate that evaluating models along calibration, interpretability, and cross-cohort reliability, not accuracy alone, is essential for clinical deployment.
• Abstract（参考訳）: アルツハイマー病の正確な診断分類と重症度予測は、実際の臨床データの不完全性と不均一性によって妨げられる。 これらの障壁は、信頼性のある疾患モデリングを防ぎ、効果的な臨床評価を妨げる。 従来の計算戦略では、体系的なバイアス、機能間関係の歪曲、自信過剰な予測、特に診断設定における制約が導入された。 本稿では,患者内部の特徴依存性と患者間の関係構造をマスキングおよびアンサンプアテンションを通じて共同でモデル化し,部分的に観察された記録から直接頑健なマルチモーダル学習を可能にするインパルスフリートランスフォーマーであるNITROGENを提案する。 ADNI(N=7858スキャン)でNITROGENを訓練し,OASIS-3(N=2675スキャン)とAIBL(N=1286スキャン)の2つの独立したコホートで評価した。 コーホートと診断・認知スコア予測タスク全体において,NITROGENは木に基づくアンサンブル法よりも頑健な校正と不確実な定量化の利点を示した。 クロスコホートおよびクロスメソッド分析により, 側頭極, 年齢, APOE遺伝子型における皮質の厚さは, AD分類に欠かせない重要な特徴として同定された。 さらに,不備なモダリティの重要性に比例して予測不確かさを増大させるモダリティ対応の不確実性調整を導入した。 この結果から,コホートシフト下で有意な差別を保ち,より分布的に異なるコホートに対する予測劣化を明らかにし,校正,解釈可能性,相互コホート信頼性を考慮したモデルの評価が臨床展開に必須であることが示唆された。

関連論文リスト

• Principled Uncertainty in Clinical AI: End-to-End Bayesian Modelling and Algorithmic Equity Auditing Across Multimodal Patient Data [0.0]
  本稿では,(1)完全エンドツーエンドのベイズ不確実性モデリングフレームワークの開発,(2)アルゴリズムエクイティの形式的尺度としてのキャリブレーションされた不確実性推定の適用,という2つの相互接続問題に対処する。 本研究では,モーダリティ固有の変分エンコーダと,精度重み付きレイトフュージョン機構,分解不確実性出力からなる確率論的ディープラーニングアーキテクチャを構築した。 我々は,1000人の模擬患者のデータセットを用いて,社会経済的地位タイプ,年齢グループ,生物学的セックスのエクイティ監査を行った。
  論文  参考訳（メタデータ） (2026-06-08T17:44:15Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Dual Model Deep Learning for Alzheimer Prognostication [4.970364068620607]
  PROGRESSは単一の脳脊髄液バイオマーカー評価を実行可能な予後推定に変換する。 深層生存モデルでは、軽度認知障害から認知症への転換までの時間を推定する。 コックス比例リスク、ランダムサバイバルフォレスト、および生存予測のための勾配促進法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-22T07:08:20Z)
• 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)
• Evaluating AI systems under uncertain ground truth: a case study in dermatology [43.8328264420381]
  不確実性を無視することは、モデル性能の過度に楽観的な推定につながることを示す。 皮膚状態の分類では,データセットの大部分が重大な真理不確実性を示すことが判明した。
  論文  参考訳（メタデータ） (2023-07-05T10:33:45Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。