Evidence-empowered Transfer Learning for Alzheimer’s Disease

要約

タイトル：アルツハイマー病に対するエビデンスに基づく転移学習
要約：
– アルツハイマー病領域におけるデータ不足問題を軽減するため、転移学習が広く利用されている。
– 従来の転移学習は、自然画像分類などのADとは無関係なタスクで使用されたモデルを再利用することに依存していた。しかし、非医療分野とターゲットの医療分野の不一致により、負の転移を引き起こすことがよくあった。
– これを解決するために、我々はアルツハイマー病の診断のためのエビデンスに基づく転移学習を提案する。
– 従来の方法とは異なり、MRIデータを追加することなしに、形態学的変化予測などのADに関連する補助タスクを活用する。この補助タスクでは、診断モデルがMRIスキャンの形態学的特徴から証拠性と転移可能な知識を学習する。
– 実験結果は、我々のフレームワークがモデルのキャパシティに関係なく検出性能を向上させるだけでなく、よりデータ効率的で忠実であることを示している。

要約(オリジナル)

Transfer learning has been widely utilized to mitigate the data scarcity problem in the field of Alzheimer’s disease (AD). Conventional transfer learning relies on re-using models trained on AD-irrelevant tasks such as natural image classification. However, it often leads to negative transfer due to the discrepancy between the non-medical source and target medical domains. To address this, we present evidence-empowered transfer learning for AD diagnosis. Unlike conventional approaches, we leverage an AD-relevant auxiliary task, namely morphological change prediction, without requiring additional MRI data. In this auxiliary task, the diagnosis model learns the evidential and transferable knowledge from morphological features in MRI scans. Experimental results demonstrate that our framework is not only effective in improving detection performance regardless of model capacity, but also more data-efficient and faithful.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI