Fugu-MT 論文翻訳(概要): A Multimodal Explainable Deep Learning Framework for Alzheimer's Disease Diagnosis using 3D Magnetic Resonance Imaging and Clinical Data

論文の概要: A Multimodal Explainable Deep Learning Framework for Alzheimer's Disease Diagnosis using 3D Magnetic Resonance Imaging and Clinical Data

arxiv url: http://arxiv.org/abs/2609.12410v1
Date: Fri, 11 Sep 2026 04:02:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.614054
Title: A Multimodal Explainable Deep Learning Framework for Alzheimer's Disease Diagnosis using 3D Magnetic Resonance Imaging and Clinical Data
Title（参考訳）: 3次元磁気共鳴画像と臨床データを用いたアルツハイマー病診断のためのマルチモーダル説明可能なディープラーニングフレームワーク
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.2482871069947656
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dementia is a major and growing global health burden, with Alzheimer's disease (AD) accounting for most cases. Timely and accurate diagnosis is central to managing this burden and increasingly depends on integrating complementary clinical and imaging information. Multimodal deep learning can combine these modalities for AD diagnosis, but how its explanations behave across modalities, fusion strategies, and cohorts remains unclear. We developed an explainable multimodal framework pairing a 3D CNN encoder for T1-weighted MRI with a feedforward network for harmonized clinical and demographic data, comparing varied model setups on three-way and pairwise diagnostic tasks using 6,479 internal records from the ADNI and 1,703 independent records from the OASIS-3. On ADNI, the tabular-only model achieved the highest three-class AUC-ROC of 0.879 and best discriminated cognitively normal (CN) versus mild cognitive impairment (MCI; 0.903), while cross-attention performed best for MCI versus AD (0.861); CN versus AD was highly discriminative overall. On OASIS-3, the vision-only model performed best (three-class AUC-ROC 0.910); CN versus MCI remained difficult, and no fusion strategy consistently outperformed single modalities across tasks and cohorts. SHAP and Integrated Gradients identified the MMSE as the dominant tabular feature in both cohorts, with global feature rankings agreeing strongly in ADNI ($ρ=0.94$) and OASIS-3 ($ρ=0.96$); CAM-based explanations, however, changed with model configuration and cohort. These findings show that multimodal performance and explanations are task, modality, fusion, and cohort-dependent: a dominant cognitive signal persisted across cohorts, but feature contributions and CAM explanations did not, underscoring the need to evaluate explainability under cohort shift rather than as a stable, intrinsic property.
Abstract（参考訳）: 認知症は大半がアルツハイマー病(AD)である。タイムリーかつ正確な診断は、この負担の管理の中心であり、補完的な臨床および画像情報の統合にますます依存している。マルチモーダル深層学習はこれらのモダリティをAD診断に組み合わせることができるが、その説明がモダリティ、融合戦略、コホートにわたってどのように振る舞うかはいまだ不明である。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,ADNIの6,479個の内部記録とOASIS-3の1,703個の独立記録を用いて,3方向およびペアの診断タスクにおけるモデル設定を比較した。 ADNIでは,AUC-ROCが0.879であり,認知正常 (CN) と軽度認知障害 (MCI; 0.903) が最高値であった。 OASIS-3では、視覚のみのモデルが最もよく実行され(AUC-ROC 0.910)、CNとMCIは依然として困難であり、核融合戦略はタスクやコホートにまたがる単一モードよりも一貫して優れていた。 SHAPとIntegrated Gradientsは、MMSEを両方のコホートにおいて支配的な表形式として認識し、グローバルな特徴ランキングはADNI(ρ=0.94$)とOASIS-3(ρ=0.96$)で強く一致した。これらの結果から,マルチモーダル・パフォーマンスと説明はタスク,モダリティ,融合,コホートに依存していることが明らかとなった。コホート全体にわたって支配的な認知信号が持続するが,特徴的貢献とCAM説明は,コホートシフトによる説明可能性について,本質的な特性としてではなく,コホートシフトによる説明性を評価する必要性を裏付けるものではない。

関連論文リスト

Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文参考訳（メタデータ） (2026-07-24T04:26:47Z)
Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data [0.9786690381850356]
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。
論文参考訳（メタデータ） (2026-06-10T08:26:11Z)
D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文参考訳（メタデータ） (2026-05-21T09:55:42Z)
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)
3D MRI-Based Alzheimer's Disease Classification Using Multi-Modal 3D CNN with Leakage-Aware Subject-Level Evaluation [2.905651880068545]
深層学習は、構造MRIからアルツハイマー病を分類するための重要なツールとなっている。本研究はアルツハイマー病分類のための多モード3D畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2026-03-18T03:00:30Z)
R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-12-22T02:54:10Z)
UG-FedDA: Uncertainty-Guided Federated Domain Adaptation for Multi-Center Alzheimer's Disease Detection [21.480835495115233]
Uncertainty-Guided Federated Domain Adaptation (UG-FedDA)は、アルツハイマー病(AD)の分類フレームワークである。提案手法は,自己注意変換器を用いてマルチテンプレート領域(RoI)の特徴を抽出し,各領域の表現と相互作用を抽出する。精度、感度、領域を3つの分類タスクで一貫したクロスドメイン改善を実現している。
論文参考訳（メタデータ） (2025-12-05T15:33:52Z)
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)
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)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)

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。