NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), erken ve doğru tanının kritik önemini vurgulayan, yüksek oranda yanlış tanı ile karakterize olan karmaşık bir nörodejeneratif bozukluktur. Her ne kadar mevcut bilgisayar destekli tanı sistemleri klinik değerlendirme ölçeklerini nörogörüntüleme verileriyle bütünleştirse de, tipik olarak etkili multimodal füzyon için gerekli olan derin intermodal bağımlılıkları yakalayamayan yüzeysel özellik birleştirmesine güvenirler. Bu sınırlamayı ele almak için, ModFus-PD'yi önermekteyiz, Kontrast öğrenme, görüntüleme ve klinik metin gibi heterojen modaliteleri etkili bir şekilde hizalarken, çapraz modal dikkat mekanizması, özellik füzyonunu geliştirmek için aralarındaki semantik etkileşimleri daha da istismar ediyor. Çerçeve üç temel bileşenden oluşur: (1) MRG verilerini ve klinik metni önceden eğitilmiş görüntü ve metin kodlayıcıları aracılığıyla birleşik bir gömme alanına yönlendiren kontrastlı bir öğrenme tabanlı özellik hizalama modülü; (2) metinsel semantiğin MRI'ya rehberlik ettiği iki yönlü bir çapraz modlu dikkat modülü, PD ile ilgili beyin bölgelerine karşı gelişmiş hassasiyet için rafine etme özelliği sunarken, MRI özellikleri aynı anda klinik metinlerin bağlamsal anlayışını geliştirir; (3) iki kesin prob ile birbirine bağlı katmanları bütünleştiren hiyerarşik bir sınıflandırma modülü. PPMI veri setindeki deneyler, ModFus-PD'nin üstün performansını gösterir, 0.903, AUC 0.892 ve F1 puan 0.840'lık bir doğruluk elde eder ve birkaç son teknoloji temel çizgisini aşar. Bu sonuçlar, yorumlanabilir ve güvenilir tanısal destek sağlayan, gelecekteki klinik çeviri için söz veren çapraz modal füzyon stratejimizin etkinliğini doğrulamaktadır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a complex neurodegenerative disorder characterized by a high rate of misdiagnosis, underscoring the critical importance of early and accurate diagnosis. Although existing computer-aided diagnostic systems integrate clinical assessment scales with neuroimaging data, they typically rely on superficial feature concatenation, which fails to capture the deep inter-modal dependencies essential for effective multimodal fusion. To address this limitation, we propose ModFus-PD, Contrastive learning effectively aligns heterogeneous modalities such as imaging and clinical text, while the cross-modal attention mechanism further exploits semantic interactions between them to enhance feature fusion. The framework comprises three key components: (1) a contrastive learning-based feature alignment module that projects MRI data and clinical text prompts into a unified embedding space via pretrained image and text encoders; (2) a bidirectional cross-modal attention module in which textual semantics guide MRI feature refinement for improved sensitivity to PD-related brain regions, while MRI features simultaneously enhance the contextual understanding of clinical text; (3) a hierarchical classification module that integrates the fused representations through two fully connected layers to produce final PD classification probabilities. Experiments on the PPMI dataset demonstrate the superior performance of ModFus-PD, achieving an accuracy of 0.903, AUC of 0.892, and F1 score of 0.840, surpassing several state-of-the-art baselines. These results validate the effectiveness of our cross-modal fusion strategy, which enables interpretable and reliable diagnostic support, holding promise for future clinical translation.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.