論文の概要: MMAP: Multimodal Missing-Aware Pretraining for Longitudinal Alzheimer's Prediction

• arxiv url: http://arxiv.org/abs/2609.26617v1
• Date: Tue, 22 Sep 2026 15:50:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.734623
• Title: MMAP: Multimodal Missing-Aware Pretraining for Longitudinal Alzheimer's Prediction
• Title（参考訳）: MMAP:縦型アルツハイマー病の予知のためのマルチモーダル・ミスアウェア・プレトレーニング
• Abstract要約: MMAPは、不完全データから画像タブラル表現を学習するための、新しいマルチモーダル・ミスアウェア・アライメント・プレトレーニング法である。 トークンジェネレータの欠如により、2つのエンコーダは不完全なデータを入力として取り込むことができ、モデルが欠落したモダリティに対して堅牢になる。 アルツハイマー病の縦断的治療における学習したマルチモーダル表現の臨床的有用性について検討した。
• 参考スコア（独自算出の注目度）: 12.474822834129016
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Clinical decision making heavily relies on predicting the disease progression trajectory by seeking to understand patient's health status which is characterised by multimodal medical data. AI holds great potential for learning useful representations from multimodal medical data to predict disease progression and aid clinical decision making. However, development of predictive AI models is constrained by missing modalities and incomplete tabular data frequently occurring in medical datasets. In addition, disease labels alone may only provide limited supervisory signals for learning representations from high-dimensional multimodal data. Here, we present MMAP, a novel Multimodal Missing-aware Alignment Pretraining method for learning image-tabular representations from incomplete data. An image encoder is pretrained with efficient sigmoid contrastive learning combined with generative reconstruction. A tabular encoder is built upon a tabular foundation model. A missing token generator enables the two encoders to take incomplete data as input, enabling the model to be robust against missing modalities, either with missing images or missing tabular data. We evaluate the clinical usefulness of the learnt multimodal representations on two challenging longitudinal clinical tasks for Alzheimer's disease: predicting disease stage conversion and predicting amyloid status. The proposed method outperforms strong multimodal and unimodal baselines.
• Abstract（参考訳）: 臨床の意思決定は、マルチモーダル医療データによって特徴づけられる患者の健康状態を理解しようとすることによって、疾患進行の軌跡を予測することに大きく依存している。 AIは、マルチモーダル医療データから有用な表現を学習し、疾患の進行を予測し、臨床的な意思決定を支援する大きな可能性を持っている。 しかし、予測AIモデルの開発は、医療データセットで頻繁に発生するモダリティの欠如と不完全な表型データによって制約されている。 さらに、病気ラベルだけでは、高次元マルチモーダルデータから表現を学習するための限られた監視信号しか提供できない。 本稿では、不完全データから画像タブラル表現を学習するための、新しいマルチモーダル・ミスアライメント・アライメント・プレトレーニング手法であるMMAPを提案する。 画像エンコーダは、効率的なシグモイドコントラスト学習と、生成的再構成とを併用して事前訓練される。 表層基礎モデル上に表層エンコーダを構築する。 トークンジェネレータの欠如により、2つのエンコーダは不完全なデータを入力として取り込むことができ、欠落した画像や欠落した表データに対してモデルを堅牢にすることができる。 アルツハイマー病の縦断的治療における学習したマルチモーダル表現の臨床的有用性について検討し, 病期転換の予測とアミロイド状態の予測を行った。 提案手法は, 強いマルチモーダルベースライン, ユニモーダルベースラインよりも優れた性能を示す。

関連論文リスト

• 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)
• Missing-Modality-Aware Graph Neural Network for Cancer Classification [4.291589126905706]
  マルチモーダルな生物学的データから学ぶ上で重要な課題は、いくつかのモダリティから得られるすべてのデータが欠落しているモダリティの欠如である。 部分変調を用いた直接予測のためのMAGNET(Missing-modality-Aware Graph Neural Networkwork)を提案する。 人工的な欠損ではなく現実のがん分類のための3つの公共マルチオミクスデータセットの実験は、MAGNETが最先端の融合法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-06-28T14:31:00Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Personalized 2D Binary Patient Codes of Tissue Images and Immunogenomic Data Through Multimodal Self-Supervised Fusion [0.9374652839580183]
  MarbliXは、病理組織像と免疫ゲノムシークエンシングデータを統合し、それらを簡潔なバイナリー患者コードにカプセル化する革新的なフレームワークである。 実験の結果は、医療専門家に深い洞察を与えるMarbliXの可能性を示している。
  論文  参考訳（メタデータ） (2024-09-19T22:49:27Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Multi-View Imputation and Cross-Attention Network Based on Incomplete Longitudinal and Multimodal Data for Conversion Prediction of Mild Cognitive Impairment [17.445742042361864]
  軽度認知障害のある患者がアルツハイマー病に転換するかどうかを予測することは重要な臨床的課題である。 病状進行情報を取得するために 訓練中だけ 経時的データを組み込まなければならない データインプットとMCI変換予測を統合するため,マルチビュー・インプット・クロスアテンション・ネットワーク (MCNet) が提案された。
  論文  参考訳（メタデータ） (2022-06-16T09:20:41Z)
• Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
  病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。 隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
  論文  参考訳（メタデータ） (2021-07-01T03:59:22Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。