- Маркеры семантической согласованности для ранней диагностики болезни Альцгеймера (arXiv)
Автор: Давиде Колла, Маттео Дельсанто, Марко Агосто, Бенедетто Витиелло, Даниэле Паоло Радичони.
Аннотация: В этой работе мы исследуем, как можно использовать языковые модели для анализа языка и различения между психически неполноценными и здоровыми субъектами с помощью метрики растерянности. Недоумение изначально задумывалось как теоретико-информационная мера для оценки того, насколько данная языковая модель подходит для предсказания текстовой последовательности или, что то же самое, насколько последовательность слов соответствует конкретной языковой модели. Мы провели обширные эксперименты с общедоступными данными и использовали такие разнообразные языковые модели, как N-граммы, от 2-граммов до 5-граммов, а также GPT-2, языковую модель на основе преобразователя. Мы исследовали, можно ли использовать показатели растерянности для различения транскриптов здоровых субъектов и субъектов, страдающих болезнью Альцгеймера (БА). Наши лучшие модели достигли полной точности и F-показателя (1,00 как по точности/специфичности, так и по полноте/чувствительности) при категоризации субъектов как из класса AD, так и из контрольных субъектов. Эти результаты показывают, что растерянность может быть ценным аналитическим показателем с потенциальным применением для поддержки ранней диагностики симптомов психического расстройства.
2. Longformer: продольный преобразователь для классификации болезни Альцгеймера с помощью структурной МРТ (arXiv)
Автор: Qiuhui Chen, Yi Hong.
Резюме: Структурная магнитно-резонансная томография (СМРТ) широко используется для диагностики неврологических заболеваний головного мозга; в то время как продольные МРТ часто собираются для мониторинга и регистрации прогрессирования заболевания, что клинически используется при диагностике болезни Альцгеймера (БА). Однако в большинстве современных методов пренебрегают прогрессирующим характером болезни Альцгеймера и используют только одно МРТ для распознавания болезни Альцгеймера. В этой статье мы рассматриваем проблему использования продольных МРТ субъекта для идентификации AD. Чтобы зафиксировать продольные изменения в sMRI, мы предлагаем новую модель Longformer, сеть пространственно-временного преобразователя, которая выполняет механизмы внимания пространственно на sMRI в каждый момент времени и интегрирует характеристики областей мозга с течением времени для получения продольных вложений для классификации. Наш Longformer достигает самой современной производительности в двух задачах бинарной классификации по разделению различных этапов AD с использованием набора данных ADNI. Наш исходный код доступен по адресу https://github.com/Qybc/LongForme.
