Conversion-aware forecasting of Alzheimer's disease via featurewise attention

Alzheimer hastalığı (AH), hafıza ve bilişsel işlevleri etkileyen ve beyin atrofisine neden olan bir nörodejeneratif bozukluktur. Semptomların hastaların günlük aktivitelerini henüz etkilemediği erken bir aşama, hafif bilişsel bozukluk (HBB) olarak bilinir. Altta yatan neden AH olduğunda, HBB hastaları hastalığın ilerleyen aşamalarında AH'ye dönüşür. Bu dönüşümün erken tespiti, önleyici tedavi planlamasında hayati bir adımdır. Ancak, bu geçişi tespit etmek, kamuya açık veri setlerinde bu tür olayların nadirliği nedeniyle zor bir görevdir. Bu tez, dönüşüm tespitinin performansını geliştirmek için derin öğrenme tabanlı bir çerçeve sunmaktadır. Önerilen mimari, giriş biyobelirteçlerinin dönüşüm tespiti üzerindeki etkisine dair içgörüler sağlamayı hedeflemektedir. Bu yapı, öznitelikleri ve zamanı paylaşılan bir alana kodlamak için sinirsel bloklar içerir; burada, gömüleri birleştirmek için zaman ve özellikler arasında çapraz dikkat hesaplanır. Modelin öğrendiği öznitelik önemleri yakalanırken, zamansal bilgiler de zaman gömme vektörleri aracılığıyla ağa entegre edilmiştir. Tüm mimari, AH gelişme riskini tahmin etmek üzere uçtan uca eğitilmiştir. İki kamuya açık veri setiyle yapılan deneyler, önerilen modelin geleneksel makine öğrenimi ve benzer derin öğrenme modelleriyle karşılaştırıldığında, HBB'den AH'ye dönüşümün erken tespitinde umut verici bir performans sergilediğini göstermektedir. Önerilen çerçeve, zamansal dinamikleri ve öznitelik önemini etkili bir şekilde entegre ederek HBB'den AH'ye dönüşümün erken tespitini geliştirir. Bu yaklaşım, tahminlerde duyarlılığı artırma ve risk altındaki bireyler için daha hedefli önleyici tedavi stratejilerini desteklemek için umut vaat etmektedir.