論文の概要: AdaptAD: Foundation Model Adaptation with Missing Modality Robustness for Alzheimer's Disease Staging Across the Disease Continuum
- arxiv url: http://arxiv.org/abs/2611.00084v1
- Date: Mon, 19 Oct 2026 03:52:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 03:25:47.455264
- Title: AdaptAD: Foundation Model Adaptation with Missing Modality Robustness for Alzheimer's Disease Staging Across the Disease Continuum
- Title(参考訳): AdaptAD: アルツハイマー病の持続的進行に対するモダリティロバスト性欠如による基礎的モデル適応
- Abstract要約: AdaptADは低ランク適応(LoRA)で凍結したImageNet-pretrained ViT-B/16に適応する
モルフォメトリは、存在時にトークンとして、あるいは学習した[MISSING]トークンとして入力され、不足認識のスタックアが両専門家を混乱させます。
パラメータ効率のよい2-Dファンデーションモデルは、モルフォメトリーなしで通常のT1スキャンから完全なAD連続体をステージ化し、メモリ・クリニックデプロイメントへのスケーラブルなルートを提供する。
- 参考スコア(独自算出の注目度): 0.26999000177990923
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Staging Alzheimer's disease (AD) across its continuum, from cognitively normal (CN) through mild cognitive impairment (MCI) to dementia from a single structural MRI remains difficult because 3-D networks overfit small cohorts, and FreeSurfer morphometry is often unavailable. We present AdaptAD, which reads a registered T1-weighted scan as 16 anatomically placed 2.5-D slices through the medial temporal lobe and adapts a frozen ImageNet-pretrained ViT-B/16 with low-rank adaptation (LoRA), training 3.5 M of 89 M parameters. Morphometry enters as tokens when present, or as a learned [MISSING] token, and a missing-aware stacker fuses both experts. Under a pre-registered protocol, ten methods were compared for three-class CN/MCI/AD staging on identical 5-fold splits of 597 ADNI participants, 29% without FreeSurfer, with Holm-corrected paired bootstrap tests. The locked model was tested once on 993 OASIS-3 participants (988 scored by every method). On ADNI, AdaptAD achieved a three-class macro-AUC of 0.745 (95% CI 0.709 to 0.781), ranking first and significantly exceeding full fine-tuning, ShaSpec and a 3-D CNN. On OASIS-3 it reached 0.780 (0.748 to 0.814), and on the CDR-based label (0.804) it significantly outperformed every 3-D and image-tabular method. LoRA matched full fine-tuning with 25 times fewer trainable parameters, and removing morphometry changed external macro-AUC by less than 0.003. The disease score tracked MMSE and CDR-SB within diagnostic groups and stratified MCI-to-dementia progression (log-rank p < 0.001), while saliency concentrated in medial temporal and periventricular regions. A parameter-efficient 2-D foundation model can therefore stage the full AD continuum from a routine T1 scan without morphometry, offering a scalable route to memory-clinic deployment.
- Abstract(参考訳): 認知正常(CN)から軽度認知障害(MCI)、単一の構造MRIから認知症まで、アルツハイマー病(AD)の連続体をまたいだ状態は、3Dネットワークが小さなコホートに過度に適合するため困難であり、FreeSurfer morphometryは利用できないことが多い。
登録T1強調スキャンを解剖学的に2.5-Dスライスした16個の側頭葉に読み出し,低ランク適応(LoRA)で凍結したImageNet-pretrained ViT-B/16に適応し,89Mパラメータの3.5MをトレーニングするAdaptADを提案する。
モルフォメトリは、存在時にトークンとして、あるいは学習した[MISSING]トークンとして入力され、不足認識のスタックアが両専門家を混乱させます。
登録済みのプロトコルでは,597人のADNI参加者の5倍の分数で,Holm-corrected paired bootstrapテストでFreeSurferなしで29%,CN/MCI/ADステージで10の手法が比較された。
ロックされたモデルは、93OASIS-3の参加者(各メソッドで988)で1回試験された。
ADNIでは、Adaptadは0.745(95% CI 0.709 - 0.781)の3クラスマクロAUCを達成し、完全な微調整、ShaSpecと3D CNNをはるかに上回った。
OASIS-3では0.780 (0.748から0.814)に達し、CDRベースのラベル(0.804)では3Dおよび画像タブラル法で大幅に性能が向上した。
LoRAはトレーニング可能なパラメータの25倍の精度で完全な微調整を行い、モルフォメトリーの除去によって外部マクロAUCは0.003以下に変化した。
診断群ではMMSE, CDR-SB, MCI-to-dementiaの進行(log-rank p < 0.001)が観察された。
したがって、パラメータ効率のよい2-D基礎モデルでは、モルフォメトリーなしで通常のT1スキャンから完全なAD連続体をステージ化することができ、メモリ・クリニック展開へのスケーラブルなルートを提供する。
関連論文リスト
- Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research [4.054175326754454]
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。
論文 参考訳(メタデータ) (2026-10-07T15:38:18Z) - SAMI3D-DW: Interactive Segmentation of Any 3D Medical Images [41.76270845556824]
SAMI3D-DWは、Deepwiseの大規模プロプライエタリな医療画像データセットに基づいてトレーニングされたインタラクティブな3Dセグメンテーションモデルである。
219のソースデータセットから4,326のケースからなるCT/MRベンチマークを用いて,ユーザインタラクションのシミュレーションによるモデルの評価を行った。
放射線医や臨床医にとって、SAMI3D-DWは、CT上の頭蓋内血管木やMR血管造影などの複雑な解剖学的構造を数クリックで分割することができる。
論文 参考訳(メタデータ) (2026-09-22T06:25:11Z) - Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。
我々は解剖学的参照としてFastSurferセグメンテーションを使用します。
私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
論文 参考訳(メタデータ) (2026-09-14T17:13:12Z) - 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) - TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。
最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。
アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文 参考訳(メタデータ) (2026-05-15T19:23:35Z) - 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) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳(メタデータ) (2025-08-19T14:41:22Z) - A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。
進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。
オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。
モデルはアトラスベース登録アルゴリズムの12倍高速であった。
論文 参考訳(メタデータ) (2025-03-26T17:03:46Z) - 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) - COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for
Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。
我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
論文 参考訳(メタデータ) (2020-12-10T08:30:46Z)
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。