Evidence-empowered Transfer Learning for Alzheimer’s Disease

要約

タイトル：アルツハイマー病のためのエビデンスに基づく転移学習

要約：

– 転移学習は、アルツハイマー病（AD）の分野におけるデータ不足の問題を緩和するために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と関係のないタスクで訓練されたモデルを再利用することに依存している。しかし、非医療的なソースとターゲット医療ドメインとの不一致により、ネガティブな転移が生じることがしばしばある。
– これを解決するために、我々はエビデンスに基づくAD診断のための転移学習を提案している。従来の手法とは異なり、MRIデータを追加することなく、形態学的変化の予測という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エビデンスと転移可能な知識を学習する。
– 実験結果は、我々の枠組みがモデル能力に関係なく検出性能を改善するだけでなく、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