ハイブリッドSwin Transformer-BiLSTMフレームワークとアンサンブル学習によるマルチモーダル脳卒中検出およびリスク予測

科学分野:

• 医用画像解析
• ヘルスケアにおける人工知能
• 神経学

背景:

• 脳卒中は世界的に死亡および障害の主要な原因であり、患者のアウトカムを改善するためには早期診断が必要です。
• 現在の脳卒中の診断方法は時間がかかる可能性があり、AI駆動の自動化から恩恵を受ける可能性があります。
• マルチモーダルデータの統合は、より包括的な脳卒中評価の可能性を提供します。

研究 の 目的:

• 自動化された脳卒中検出およびリスク予測のためのマルチモーダルAIフレームワークを開発および検証すること。
• 画像分析のためのハイブリッドSwin Transformer-Bidirectional Long Short-Term Memory (SwinT-BiLSTM)と臨床データのためのアンサンブル学習を統合すること。
• 説明可能なAI (XAI)技術を使用して、脳卒中診断におけるAIモデルの解釈可能性を向上させること。

主な方法:

• 2つの脳卒中コンピュータ断層撮影 (CT) データセット (BrSCTHD-2025およびKaggle) と臨床表形式データセットを利用しました。
• CT画像からの空間的および逐次的な特徴抽出のためにハイブリッドSwinT-BiLSTMモデルを開発しました。
• 臨床的およびライフスタイルパラメータを使用した脳卒中リスク予測のためにアンサンブル学習分類器を採用しました。

主要な成果:

• SwinT-BiLSTMモデルは、BrSCTHD-2025で98%の精度 (AUC 1.00)、Kaggleデータセットで97%の精度 (AUC 0.99) を達成しました。
• 単独のSwinTよりも2.5%、CNNモデル (VGG16、ResNet50) よりも3%-4%上回りました。
• アンサンブル分類器は80.36%の精度を達成し、心疾患や高コレステロールなどの主要なリスク因子を特定しました。

結論:

• 提案されたSwinT-BiLSTM-Ensembleフレームワークは、正確で解釈可能な脳卒中検出とリスク評価を提供します。
• この研究は、脳卒中の臨床的意思決定を改善する上でのマルチモーダルAIの効果を強調しています。
• このフレームワークは、脳卒中の診断と管理における実際の臨床応用のための堅牢な基盤を提供します。