HoloDx:对阿尔茨海默病的知识和数据驱动的多模式诊断

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 准确的阿尔茨海默病 (AD) 诊断需要整合各种数据类型和临床见解.
• 当前的诊断方法往往无法充分利用多式联运信息,并有效地纳入动态领域的知识.

研究的目的:

• 介绍HoloDx,一个新的知识和数据驱动框架,旨在改善AD诊断.
• 加强领域知识与多模式临床数据的整合,以更精确地检测AD.

主要方法:

• HoloDx采用知识注入模块,具有知识意识的关闭交叉注意力,以动态集成来自大型语言模型 (LLM) 和临床专业知识的见解.
• 具有原型记忆注意力的内存注入模块确保了诊断决策轨迹的一致性.
• 该框架将领域知识与多模式临床数据结合起来,以提高可解释性和准确性.

主要成果:

• 在五个AD数据集中,HoloDx与最先进的方法相比,显示出更高的诊断准确性.
• 该框架在多样化的患者队伍中表现出强大的概括能力.
• 评估证实了增强的解释性和精确的知识与数据对齐.

结论:

• 通过有效地合并多式联络数据和领域知识,HoloDx代表了人工智能驱动的AD诊断的重大进步.
• 该框架为改善阿尔茨海默病的诊断精度和临床实用性提供了一个有希望的方法.
• 开源版本促进了该领域的进一步研究和开发.