最適化された軽量畳み込み注意機構と構造的MRIによるアルツハイマー病の診断

アルツハイマー病（AD）は公衆衛生において大きな課題を提起しており、正確なスクリーニングと診断が求められています。グローバルな高齢化社会を考慮し、軽度認知障害（MCI）や健康対照群（HC）を含むADの初期段階を特定することは非常に重要です。構造的磁気共鳴画像法（sMRI）は、萎縮による脳の構造的変化を理解するために不可欠です。現在の深層学習ネットワークはボクセルの長期依存性を見過ごしていますが、ビジョントランスフォーマー（ViT）は画像内の依存関係を認識するのに優れており、ADの診断において価値があります。私たちの提案する手法は、AD脳データセット用のトランスフォーマーベースの分類器に畳み込み注意メカニズムを統合し、過剰な計算リソースを使用せずに性能を向上させます。マルチヘッドアテンションを軽量マルチヘッドセルフアテンション（LMHSA）に置き換え、逆残差（IRU）ブロックを利用し、局所フィードフォワードネットワーク（LFFN）を導入することで、優れた結果が得られます。ADデータセットで勾配集中オプティマイザーとAdamを使用してトレーニングを行った結果、多クラス分類で94.31%の印象的な精度、バイナリ分類（AD対HC）では95.37%、HC対MCIでは92.15%の精度を達成しました。これらの成果は、既存のAD診断アプローチを上回り、モデルの有効性を示しています。重要な脳領域を特定することは、ADや神経変性疾患に対する将来の臨床的解決策に役立ちます。しかし、この研究はAD神経画像イニシアティブ（ADNI）コホートに限定されており、今後の研究ではADNI以外の多様なデータベースを取り入れたより堅牢で汎用的なアプローチの必要性が強調されています。