NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçlarParkinson hastalığının (PD) özellikle prodromal aşamasında doğru bir şekilde tanımlanması, heterojen semptom sunumu ve üst üste binen nörolojik desenler nedeniyle önemli bir klinik zorluk olmaya devam etmektedir. Bu çalışma, yapısal MRI ve klinik / bilişsel metadatayı ortaklaşa modelleyerek PD evrelemesini geliştirmek için LLM-Guided Multimodal Dikkat Ağı (LLM-MAN) önermektedir. Metodlar Yapısal MRI'yı, ayırt edici nörogörüntüleme özelliği çıkarma için Convolutional Block Attention Modules (CBAM) ile geliştirilmiş bir ResNet-18 omurgası kullanarak kodlayan birleşik bir multimodal çerçeve geliştiriyoruz. Meta-Guided Cross-Attention (MGCA) modülü, klinik semantik bilgiyi görüntüleme özellikleriyle hizalamak, çoklu sınıf sınıflandırması için sağlam çapraz-modal füzyonu (Normal Kontrol, prodromal PD ve tanılı PD) sağlamak için tanıtıldı. Model, Parkinson İlerleme İşaretleyicileri Girişimi (PPMI) veri kümesinde değerlendirilir ve bağımsız bir dış kohort üzerinde daha da doğrulanır.ResultsOn the PPMI veri seti, LLM-MAN Normal Kontrol, prodromal PD ve tanılı PD'yi ayırt etmek için %95,68 doğruluk elde etti. Bağımsız bir kohortta dış doğrulama, veri kümeleri arasında güçlü genelleme performansına işaret eden% 94.10 doğruluk sağladı.ConclusionsLLM güdümlü multimodal füzyon, MGCA aracılığıyla PD evreleme için güvenilir ve yorumlanabilir bir yaklaşım sağlayarak, anlamsal klinik bilgiyi nörogörüntüleme temsilleriyle entegre ederek prodromal PD tanımlamasını önemli ölçüde iyileştirir.
Özgün kaynak özetini okuyun
ObjectivesAccurate identification of Parkinson's disease (PD), particularly during its prodromal stage, remains a major clinical challenge due to heterogeneous symptom presentation and overlapping neurological patterns. This study proposes an LLM-Guided Multimodal Attention Network (LLM-MAN) to improve PD staging by jointly modeling structural MRI and clinical/cognitive metadata.MethodsWe develop a unified multimodal framework that encodes structural MRI using a ResNet-18 backbone enhanced with Convolutional Block Attention Modules (CBAM) for discriminative neuroimaging feature extraction, and represents clinical/cognitive metadata using an LLM-based text encoder (pre-trained BERT) for contextualized semantic modeling. A Meta-Guided Cross-Attention (MGCA) module is introduced to align clinical semantic knowledge with imaging features, enabling robust cross-modal fusion for multiclass classification (Normal Control, prodromal PD, and diagnosed PD). The model is evaluated on the Parkinson's Progression Markers Initiative (PPMI) dataset and further validated on an independent external cohort.ResultsOn the PPMI dataset, LLM-MAN achieved an accuracy of 95.68 % for distinguishing Normal Control, prodromal PD, and diagnosed PD. External validation on an independent cohort yielded 94.10 % accuracy, indicating strong generalization performance across datasets.ConclusionsLLM-guided multimodal fusion via MGCA provides reliable and interpretable approach for PD staging, substantially improving prodromal PD identification by integrating semantic clinical knowledge with neuroimaging representations.
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.