論文の概要: Modality Contribution Score - A Per-Patient Framework for Quantifying the Relative Diagnostic Contribution of Structural MRI and Amyloid PET in Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2608.24931v1
- Date: Sun, 23 Aug 2026 03:48:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.261584
- Title: Modality Contribution Score - A Per-Patient Framework for Quantifying the Relative Diagnostic Contribution of Structural MRI and Amyloid PET in Alzheimer's Disease
- Title（参考訳）: Modality Contribution Score - アルツハイマー病における構造MRIとアミロイドPETの相対的診断コントリビューションの定量化
- Abstract要約: 構造MRIとポジトロン・エミッション・トモグラフィ(PET)を組み合わせたマルチモーダル・ニューロイメージングは、アルツハイマー病(AD)連続体における構造と機能の関係を捉えている。
本稿では,MCNet(Modality Contribution Network)とMCS(Modality Contribution Score)を紹介する。
- 参考スコア（独自算出の注目度）: 4.641787020568222
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multimodal neuroimaging combining structural MRI and positron emission tomography (PET) captures complementary structure-function relationships across the Alzheimer's disease (AD) continuum, yet existing artificial intelligence systems produce a single diagnostic label without quantifying which imaging modality drove that decision for a specific patient. We introduce the Modality Contribution Network (MCNet) and the Modality Contribution Score (MCS), the first per-patient attribution framework quantifying the shift in modality dominance from structural atrophy to amyloid and metabolic dysfunction across the cognitively normal to MCI to AD continuum. MCS is normalised to unity per subject via modality ablation (MCS_MRI_i + MCS_PET_i = 1.0 for every subject i), providing an interpretable, clinically actionable score that fluid biomarkers cannot supply. Applied to 327 ADNI-3 participants balanced across cognitively normal, mild cognitive impairment, and AD groups, MCNet achieved competitive three-class staging performance (AUC=0.881). The MCS revealed a statistically significant monotonic gradient (Kruskal-Wallis p<0.0001), with increasing PET dominance from cognitively normal (MCS_PET 0.412+/-0.229) through MCI (0.489+/-0.289) to AD (0.671+/-0.426), validated against amyloid SUVR (r=0.172, p=0.006) and FDG metabolic biomarkers (r=-0.287, p=0.0005) from separate imaging pipelines. External replication in 1,073 independent OASIS-3 subjects confirmed cross-cohort generalisability (H=166.99, p<0.0001, eta^2=0.156). A mechanistic comparison with SHAP demonstrated that ablation-based MCS captures clinically meaningful modality dependence that deviation-based methods cannot. These findings position MCNet as a foundation for personalised imaging decisions, clinical trial stratification, and trustworthy AI in dementia care.
- Abstract（参考訳）: 構造MRIとポジトロン・エミッション・トモグラフィ(PET)を組み合わせたマルチモーダル・ニューロイメージングは、アルツハイマー病(AD)連続体における補完的な構造と機能の関係を捉えるが、既存の人工知能システムは、画像モダリティが特定の患者にその決定を導いた要因を定量化せずに単一の診断ラベルを生成する。
我々は,MCNetとMCS(Modality Contribution Score)を導入し,MCIからAD連続体への認知正常な代謝異常と構造萎縮からアミロイドへのモダリティ支配の推移を定量的に評価した。
MCSは、モダリティ・アブレーション(MCS_MRI_i + MCS_PET_i = 1.0 for every subject i)によって各被験者に統一され、流体バイオマーカーが供給できない解釈可能な、臨床的に実行可能なスコアを提供する。
認知正常,軽度認知障害,AD群327名を対象に,MCNetはAUC=0.881の成績を示した。
MCSは統計学的に有意な単調勾配 (Kruskal-Wallis p<0.0001) を示し、PETの優位性は認知正常 (MCS_PET 0.412+/-0.229) から MCI (0.489+/-0.289) から AD (0.671+/-0.426) まで増加し、別の画像パイプラインからアミロイドSUVR (r=0.172, p=0.006) とFDG代謝バイオマーカー (r=-0.287, p=0.0005) に対して検証された。
1,073人の独立したOASIS-3被験者の外部複製では、クロスコホート一般性が確認された(H=166.99, p<0.0001, eta^2=0.156)。
SHAPとの比較により、アブレーションに基づくMCSは偏差に基づく方法では不可能な臨床的に有意なモダリティ依存を捉えていることが示された。
これらの結果から、MCNetは認知症ケアにおける個人化された画像決定、臨床試験の成層化、信頼できるAIの基礎として位置づけられた。
関連論文リスト
- A Multimodal Explainable Deep Learning Framework for Alzheimer's Disease Diagnosis using 3D Magnetic Resonance Imaging and Clinical Data [1.2482871069947656]
認知症は大半がアルツハイマー病(AD)である。
我々は,T1強調MRI用3次元CNNエンコーダとフィードフォワードネットワークを併用したマルチモーダル・フレームワークを開発した。
その結果,マルチモーダルな性能と説明はタスク,モダリティ,融合,コホートに依存していることがわかった。
論文 参考訳（メタデータ） (2026-09-11T04:02:52Z) - Development of an automated, reliable, and clinically meaningful artificial intelligence (AI) tool for diagnosing cardiac disease from conventional cardiovascular magnetic resonance (CMR) images [30.83069805418805]
CMRを用いた心血管疾患診断のための自動データキュレーションパイプラインを開発した。
3つの視覚基礎モデル(DINO, VSTedPT)は2段階のアプローチでこれらのモードを微調整した。
微調整されたAIモデルは、独立したテストセット上で高い差別的な診断性能を達成した。
論文 参考訳（メタデータ） (2026-07-22T12:36:56Z) - Multi-Large Language Model Orchestrated Severity Assessment of Clinical Records (MOSAIC) [0.5437050212139087]
エージェント型大規模言語モデル (LLM) はT2Dの構造化ERHデータから臨床的に有意な重症表現型を応用できる。
MOSAICは2型糖尿病(T2D)を概念実証として使用し、重篤な表現型を示すための2段階のエージェント合成フレームワークである。
論文 参考訳（メタデータ） (2026-07-06T13:15:21Z) - 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) - Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。
ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。
MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
論文 参考訳（メタデータ） (2026-06-16T16:22:42Z) - CoDaS: AI Co-Data-Scientist for Biomarker Discovery via Wearable Sensors [44.01195029438923]
バイオマーカー発見を反復的プロセスとして構築するシステムであるCoDaS(AI Co-Data-Scientist)を紹介する。
コホートは計9,279人、CoDaSは41人のメンタルヘルスと25人のメタボリックな結果を得た。
CoDaSは、両データセットの概日不安定性に関連する特徴を睡眠時間変動に反映した。
論文 参考訳（メタデータ） (2026-04-16T04:47:55Z) - 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) - MCR-VQGAN: A Scalable and Cost-Effective Tau PET Synthesis Approach for Alzheimer's Disease Imaging [4.705825869364371]
構造的T1強調MRI画像から高忠実度タウPET像を合成するためのMCR-VQGANを提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)のT1強調MRIとtau PETスキャンを併用し,MCR-VQGANをcGAN,WGAN-GP,CycleGAN,VQGANと比較した。
以上の結果から,MCR-VQGANは従来のタウPET画像に対して信頼性が高く,スケーラブルなサロゲートを提供できることが示された。
論文 参考訳（メタデータ） (2025-12-17T20:22:15Z) - 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) - 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) - CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z) - 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)
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。