利维体病的域适应性诊断,具有可转移性意识的变压器

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 莱维体病 (LBD) 是一种研究不足的痴呆症,对公共健康有重大影响.
• LBD与阿尔茨海默病 (AD) 有临床相似之处,但LBD数据稀缺性阻碍了深度学习诊断.
• 由于LBD和AD站点之间的数据收集方法不同,域名转移使知识传输复杂化.

研究的目的:

• 开发一种新的方法,通过从阿尔茨海默病数据中转移知识来增强Lewy体疾病的诊断.
• 为了应对数据稀缺和领域转移在诊断罕见神经退行性疾病的挑战.

主要方法:

• 提出了一个可转移感知变压器 (TAT) 模型,利用结构MRI的结构连接 (SC).
• 在TAT内部采用了注意力机制,优先考虑疾病可转移的特征和低权重的域特征.
• 实施域调整技术,以减轻从不同来源获得的数据的差异.

主要成果:

• 该TAT模型有效地减少了阿尔茨海默病和利维体病数据集之间的域转移.
• 通过知识转移,使用有限的LBD数据,证明了Lewy体疾病的诊断准确度的提高.
• 实验结果验证了拟议的可转移性意识变压器的有效性.

结论:

• 这项研究首次探讨了罕见疾病诊断的AD到LBD的域适应.
• 在数据稀缺的情况下,TAT框架为域适应性诊断提供了一个有希望的方法.
• 这些发现突出了利用大量相关疾病数据来改善罕见疾病的诊断的潜力.