כתבה
arXiv cs.LG ·
למידה מומחה-מודלית לשליטה בפגיעה: חיזוי ותיאום של תסמיני מחלת אלצהיימר
Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research
חידוש זה מציג פרקטיקה למידה-מודלית שמשלבת רשתות עם נתוני MRI ומדדי קליניים. הפרקטיקה תומכת בחיזוי תסמיני מחלת אלצהיימר, כולל תיאום של תסמיני המחלה והערכת התקדמותה. הפרקטיקה נבחנה ב-2,649 נבדקים ו-17,317 ביקורים מ-ADNI, OASIS-2 ו-MIRIAD.
תקציר מקורי באנגליתarXiv:2610.10648v1 Announce Type: new 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 +/
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית