基于加权 Vision Transformer 的多任务学习框架用于预测 ADAS-Cog 评分
计算机视觉与模式识别
2025-08-26 v1
摘要
预后建模对于预测未来临床评分和早期检测阿尔茨海默病(AD)至关重要。虽然大多数现有方法侧重于预测ADAS-Cog全局评分，但往往忽略其13个子评分的预测价值，这些子评分反映了不同的认知领域。某些子评分可能对确定全局评分具有更大的影响。将这些临床上有意义的子评分赋予更高的损失权重可引导模型聚焦于更相关的认知领域，从而提高预测准确性和可解释性。在本研究中，我们提出了一种基于加权 Vision Transformer(ViT)的多任务学习(MTL)框架，用于基于基线MRI扫描预测ADAS-Cog全局评分及其24个月后的13个子评分。我们的框架将ViT作为特征提取器，并系统性地研究了子评分特定损失加权对模型性能的影响。结果表明，我们提出的加权策略具有组别依赖性：对于MRI模式更异质的轻度认知障碍(MCI)患者，强加权可提高性能；对于低变异性的健康对照(CN)患者，适度加权更为有效。我们的发现表明，统一加权未充分利用关键子评分，限制了模型的泛化能力。该框架提供了一种灵活、可解释的基于MRI的AD预后方法。
引用
@article{arxiv.2508.17613,
title = {A Weighted Vision Transformer-Based Multi-Task Learning Framework for Predicting ADAS-Cog Scores},
author = {Nur Amirah Abd Hamid and Mohd Ibrahim Shapiai and Daphne Teck Ching Lai},
journal= {arXiv preprint arXiv:2508.17613},
year = {2025}
}