論文の概要: Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research
- arxiv url: http://arxiv.org/abs/2610.10648v1
- Date: Wed, 07 Oct 2026 15:38:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.600451
- Title: Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research
- Title（参考訳）: アルツハイマー病の診断・進展予測のための漏洩制御型マルチモーダル学習
- Abstract要約: アルツハイマー病の予測には不規則な訪問、不均一な測定、不完全なモダリティが含まれる。
本研究では,適応型SFCN MRIエンコーダ,4つの因果的臨床変換器,共有融合,タスク固有ODE-GRUダイナミクスを組み合わせたマルチモーダルマルチタスクフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.054175326754454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alzheimer's disease prediction involves irregular visits, heterogeneous measurements and incomplete modalities. This study presents a multimodal multitask framework combining an adapted SFCN MRI encoder, four causal clinical Transformers, shared fusion and task-specific ODE-GRU dynamics. Fine-tuning and LoRA adapt the final two MRI blocks. Task-DRO balances task losses, while Group-CVaR targets cohort and comorbidity strata. Branch-specific input controls, subject-grouped partitions and empirical causality checks support longitudinal evaluation. Across 2,649 subjects and 17,317 visits from ADNI, OASIS-2 and MIRIAD, internal validation yields diagnosis, stage-1 progression and first-stage-1-visit progression AUROCs of 0.935 +/- 0.002, 0.884 +/- 0.003 and 0.870 +/- 0.005, respectively (mean +/- SD across three seeds). Corresponding hybrid AUROCs are 0.951, 0.909 and 0.896. Next-visit MMSE mean absolute error (MAE) is 1.61 points; worst-stratum diagnosis AUROC is 0.827 +/- 0.008. Sampled ADNI explanations identify task-specific input dependence. OASIS-3 external validation yields network and hybrid diagnosis AUROCs of 0.763 and 0.767, hybrid next-visit progression AUROC of 0.764, diagnosis calibration error decreasing from 0.197 to 0.052, and next-visit MMSE MAE of 0.86. Seed-42 paired ablations of six components yield pooled diagnosis and progression AUROC differences between -0.004 and +0.004; removing clinical encoder inputs lowers diagnosis AUROC by 0.272. The framework integrates longitudinal prediction, missing-modality handling, auxiliary comorbidity modelling and subgroup evaluation within a common pipeline.
- Abstract（参考訳）: アルツハイマー病の予測には不規則な訪問、不均一な測定、不完全なモダリティが含まれる。
本研究では,適応型SFCN MRIエンコーダ,4つの因果的臨床変換器,共有融合,タスク固有ODE-GRUダイナミクスを組み合わせたマルチモーダルマルチタスクフレームワークを提案する。
微調整とLoRAは、最後の2つのMRIブロックに適応する。
Task-DROはタスク損失のバランスを保ち、Group-CVaRはコホートとコオービディティ層をターゲットにしている。
分岐特異的入力制御、主観的グループ分割、経験的因果チェックは、縦断的評価をサポートする。
ADNI, OASIS-2およびMIRIADから2,649名, 17,317名の被験者が訪問し, 診断, ステージ-1進行, 第1ステージ-1視認性進行 AUROCs 0.935 +/- 0.002, 0.884 +/- 0.003, 0.870 +/- 0.005 が得られた。
対応するハイブリッドAUROCは0.951、0.909、0.896である。
MMSE は絶対誤差 (MAE) が 1.61 点であり、AUROC は 0.827 +/- 0.008 である。
サンプルADNI説明はタスク固有の入力依存を識別する。
OASIS-3外部バリデーションはネットワークとハイブリッド診断AUROCの0.763と0.767、ハイブリッド検査AUROCの0.764、診断校正誤差の0.197から0.052、次検査MMSE MAEの0.86である。
6成分のシード42ペアアブレーションにより-0.004と+0.004のAUROC差が認められ,臨床エンコーダ入力の除去によりAUROCの診断率は0.272に低下した。
このフレームワークは、縦断予測、欠落モードハンドリング、補助的協調性モデリング、および部分群評価を共通のパイプライン内で統合する。
関連論文リスト
- Automated 2D and 3D Segmentation of AMD and DME Lesions in OCT [5.625893116312849]
加齢に伴う黄斑変性と糖尿病黄斑浮腫は視力喪失の原因となっている。
光コヒーレンストモグラフィーのための多くのディープラーニングセグメンテーション作業は、ドメイン内でのみ検証されている。
この研究は、4つの病変分離パイプラインを開発し、体系的に非難する。
論文 参考訳（メタデータ） (2026-08-27T13:13:18Z) - A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。
画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文 参考訳（メタデータ） (2026-08-17T08:11:25Z) - Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。
NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。
セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
論文 参考訳（メタデータ） (2026-08-12T21:02:59Z) - A Domain-Structured Ensemble Framework for Perioperative Outcome Prediction Using Electronic Health Record Data [0.0]
周術期のリスク予測モデルは、狭い外科的人口、不完全なデータ、限られた解釈可能性によって制限されることが多い。
日常的に収集された電子健康記録(EHR)データを用いた結果予測のためのドメイン構造化アンサンブルフレームワークを提案する。
全国の保健情報交換所で行った5,386件の症例管理サンプルにおいて,術後デリリウムを用いた枠組みを実証した。
論文 参考訳（メタデータ） (2026-08-09T21:15:12Z) - AT-Attn: Temporal-Aware Cross-Attention for Longitudinal Multimodal Alzheimer's Disease Diagnosis [9.26430087315053]
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。
論文 参考訳（メタデータ） (2026-07-08T07:25:56Z) - Automated glenoid bone loss measurement and segmentation in CT scans for pre-operative planning in shoulder instability [4.618498494409548]
肩関節不安定症の手術計画には, 骨量測定の信頼性が不可欠である。
三次元CTスキャンによるグリノイド骨量計測のための完全自動深層学習パイプラインの開発と評価を行った。
論文 参考訳（メタデータ） (2025-11-18T03:12:22Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳（メタデータ） (2025-11-14T06:47:21Z) - Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。
4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。
一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文 参考訳（メタデータ） (2024-08-30T08:57:04Z) - 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) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z)
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。