Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

PGAD : distillation adaptative guidée par prototype pour l'apprentissage multimodal dans le diagnostic de la maladie d'Alzheimer

Created by
  • Haebom

Auteur

Yanfei Li, Teng Yin, Wenyi Shang, Jingyu Liu, Xi Wang, Kaiyang Zhao

Contour

Pour résoudre le problème des modalités manquantes dans le diagnostic de la maladie d'Alzheimer (MA), où de nombreux patients ne disposent pas de données d'imagerie complètes en raison de coûts et de contraintes cliniques, nous proposons un cadre de distillation adaptative guidée par prototype (PGAD) qui intègre directement les données multimodales incomplètes à l'apprentissage. PGAD améliore la représentation des modalités manquantes grâce à l'appariement de prototypes et équilibre l'apprentissage grâce à une stratégie d'échantillonnage dynamique. Nous validons PGAD sur l'ensemble de données ADNI avec différents taux d'absence (20 %, 50 % et 70 %), démontrant des améliorations significatives des performances par rapport aux approches de pointe existantes. D'autres expériences confirment l'efficacité de l'appariement de prototypes et de l'échantillonnage adaptatif, soulignant le potentiel de ce cadre pour un diagnostic de la MA robuste et évolutif en contexte clinique réel.

Takeaways, Limitations

Takeaways:
Nous présentons un nouveau cadre qui peut utiliser efficacement des données multimodales incomplètes pour améliorer la précision du diagnostic de la maladie d’Alzheimer.
Exploitez efficacement les informations de modalité manquantes grâce à des stratégies de correspondance de prototypes et d'échantillonnage dynamique.
Contribue à améliorer la robustesse et l'évolutivité du diagnostic de la maladie d'Alzheimer dans des contextes cliniques réels.
Il présente des performances supérieures aux méthodes existantes et montre des résultats efficaces même à différents taux d’omission.
Limitations:
Les performances de PGAD présentées dans cet article sont limitées à l'ensemble de données ADNI, et des recherches supplémentaires sont nécessaires pour déterminer ses performances de généralisation sur d'autres ensembles de données.
Des recherches supplémentaires sont nécessaires sur les paramètres optimaux pour la mise en correspondance des prototypes et les stratégies d’échantillonnage adaptatif.
Il est nécessaire d’évaluer la robustesse du PGAD par rapport à d’autres types de modèles de données manquantes.
👍