用于阿尔茨海默氏症疾病分类的级联多模组混合变压器,数据不完整

科学领域:

• 人工智能在医学中的应用
• 机器学习用于医疗保健
• 神经科学和医学成像学

背景情况:

• 准确的医疗分类依赖于多模式数据,但现有模型在缺少数据的情况下扎,导致显著的不足利用.
• 深度学习的性能受到标记医疗图像的稀缺性所阻碍,特别是当模式不完整时.
• 需要灵活的多模式方法来处理不同临床环境中缺少的数据.

研究的目的:

• 介绍多模组混合变压器 (3MT),一种新型的深度学习模型,旨在使用多模组数据进行疾病分类.
• 开发一种有效处理缺失模式的方法,确保充分利用数据.
• 评估3MT在分类阿尔茨海默病 (AD) 和预测轻度认知障碍 (MCI) 转换方面的表现.

主要方法:

• 介绍了多模组混合变压器 (3MT),一种基于变压器的疾病分类模型.
• 采用了一种新的级联模式变压器架构,并采用交叉注意力来整合多模式信息.
• 实施了一种独特的模式退出机制,以提高对缺失数据的稳定性和独立性.

主要成果:

• 3MT在阿尔茨海默氏病神经成像计划 (ADNI) 数据集上展示了最先进的性能,用于阿尔茨海默氏病分类和MCI转换预测.
• 该模型在澳大利亚成像生物标志物和生活方式老龄化 (AIBL) 旗舰研究数据集上取得了高性能,即使缺少数据.
• 模式抛弃机制确保了在缺少模式的场景中充分利用数据.

结论:

• 3MT为多模式疾病分类提供了一种多功能解决方案,能够充分处理缺失数据的场景.
• 该模型混合任意数量的模式和特征类型的能力提高了其适用性.
• 3MT代表了利用不完整的多模式数据来改善医疗分类和预测的重大进步.