Transformer-Modelle mit synthetischen Graphen verbessern Alzheimer-Diagnose
Die frühzeitige und präzise Erkennung von Alzheimer ist entscheidend, um rechtzeitig intervenieren zu können. Doch die Entwicklung zuverlässiger Machine‑Learning‑Modelle ist wegen knapper gelabelter Daten, heterogener Mehrstandortdaten und stark ausgeprägter Klassenungleichgewichte schwierig.
In einer neuen Studie wurde ein Transformer‑basiertes Diagnoseframework vorgestellt, das synthetische Graphdaten, erzeugt durch Diffusionsmodelle, mit graphbasiertem Lernen und Transferlernen kombiniert.
Zunächst wurde ein klassenbedingter Denoising Diffusion Probabilistic Model (DDPM) auf dem realen NACC‑Datensatz trainiert. Dieses Modell erzeugt einen großen synthetischen Kohorten, der multimodale klinische und neuroimaging‑Merkmale nachbildet und gleichzeitig die diagnostischen Klassen ausgleicht.
Modalspezifische Graph‑Transformer‑Encoder wurden zunächst auf diesen synthetischen Daten vortrainiert, um robuste, klassenunterscheidende Repräsentationen zu erlernen. Anschließend wurden die Encoder eingefroren und ein neuronaler Klassifikator auf den Embeddings der Original‑NACC‑Daten trainiert.
Zur Bewertung der Übereinstimmung zwischen realen und synthetischen Daten wurden Metriken wie Maximum Mean Discrepancy (MMD), Frechet‑Distanz und Energie‑Distanz eingesetzt. Zusätzlich wurden Diskriminationsmetriken durch Kalibrierungs- und Sensitivitätsanalysen mit fester Spezifität ergänzt.
Die Ergebnisse zeigen, dass das neue Framework die Standard‑Baselines, darunter frühe und späte Fusion von Deep‑Neural‑Netzwerken sowie das multimodale graphbasierte Modell MaGNet, übertrifft. Es erzielt höhere AUC‑Werte, Genauigkeit, Sensitivität und Spezifität bei subject‑wise Cross‑Validation auf dem NACC‑Datensatz.
Diese Studie demonstriert, dass diffusionbasierte synthetische Vortrainingsmethoden in Kombination mit Graph‑Transformern das Potenzial haben, die Alzheimer‑Diagnose signifikant zu verbessern und könnte als Grundlage für weitere Anwendungen in der medizinischen Bildgebung und klinischen Entscheidungsunterstützung dienen.