基礎科学と病態生理

背景:

• アルツハイマー病（AD）および前頭側頭型認知症（FTD）を含む神経変性疾患（ND）は、その複雑さと従来の診断方法の限界により、診断上の課題を提示します。
• 認知および神経画像法における神経変性疾患（CogNID）研究は、認知、MRI、バイオマーカー情報を含む450人の患者からデータを収集しました。
• 認知症の早期かつ正確な検出には、高度なAIフレームワークの開発が不可欠です。

研究 の 目的:

• 認知症の早期検出のためのAI駆動型フレームワークを作成すること。
• 診断能力を向上させるために、マルチモーダルデータ（認知、画像、臨床バイオマーカー）を統合すること。
• 神経変性疾患の診断の精度と効率を向上させること。

主な方法:

• 臨床データ、MRIスキャン、放射線レポートを組み合わせたマルチモーダルアプローチ。
• レポート分析のためのPubMedBERTを使用した自然言語処理（NLP）およびリスクスコアリングのためのBARTベースの分類器。
• 画像、レポート、認知/CSFデータから融合された特徴でトレーニングされた機械学習モデル（アンサンブル法、ニューラルネットワーク）。
• SHAP値を使用したモデルの解釈可能性の確保。

主要な成果:

• テキストデータを処理し、リスクスコアを生成するためのMedical Risk Analyser（MRA）を開発しました。
• エポックが増加するにつれて学習および検証損失が減少し、堅牢なモデルトレーニングを示しました。
• 現在、MRIの特徴を統合し、分類モデルを強化することに焦点を当てています。

結論:

• この研究は、データ不均衡に対処し、モデルの解釈可能性とスケーラビリティを確保することにより、早期ND診断のためのAIを進歩させます。
• 開発されたAIフレームワークは、正確な認知症診断をサポートする可能性を秘めています。
• この研究は、患者の診断の改善と神経変性疾患におけるさらなる研究に貢献します。