Core Concepts
提案された多視点アプローチは、PDの分類において高い精度とAUCを達成しました。
Abstract
パーキンソン病(PD)は世界中で数百万人に影響を与えており、運動に影響を与えています。これまでの研究では、主に医用画像に焦点を当てたPD予測のために深層学習が利用されてきましたが、データの基礎的な構造が無視されていました。この研究では、PD分類のためのコントラスティブクロスビューグラフ融合を活用した多視点アプローチが提案されています。我々は新しいマルチモーダル共同注意モジュールを導入し、画像と臨床特徴から得られる低次元表現から派生した別々のグラフビューからの埋め込みを統合しています。これにより、改善されたマルチビューデータ解析のためのより堅牢で構造化された特徴の抽出が可能となります。さらに、単純化されたコントラスティブ損失ベースの融合方法が開発され、クロスビュー融合学習が強化されます。我々のグラフビューマルチモーダルアプローチは、5つ折り交差検証で91%の精度と92.8%のAUCを達成しています。また、単に機械学習ベースの方法よりも非画像データで優れた予測能力を示しています。
Stats
我々のグラフビューマルチモーダルアプローチは5つ折り交差検証で91% の精度と92.8% のAUC を達成しました。
多視点アプローチを使用することで、GAT メソッドは正常および異常クラスで 92% の F1, 感度, および精度スコアという高い結果を達成しました。
平均感度および特異性は0.89 です。