DEAL：基于自适应线性调制的解耦分类器用于 MCI 向 AD 转化早期诊断的群体鲁棒性
计算机视觉与模式识别
2025-01-28 v3
摘要
尽管基于深度学习的阿尔茨海默病（AD）诊断近期取得了显著进展，尤其是在基于 MRI 图像预测轻度认知障碍（MCI）向 AD 转化方面，但关于诊断群体鲁棒性的研究仍存在关键空白。尽管大量研究指出，基于深度学习的分类器可能因依赖无关属性而在某些群体中表现不佳，但这一问题在 MCI 向 AD 转化的早期诊断中很大程度上被忽视。本文首次全面研究了利用 MRI 图像进行 MCI 向 AD 转化早期诊断中的群体鲁棒性，重点关注按年龄划分的群体间（即 sMCI 和 pMCI 个体）的准确率差异。我们的实验表明，标准分类器在不同架构下均持续在某些群体中表现不佳，凸显了对更具针对性方法的需求。为此，我们提出了一种名为 DEAL（DEcoupled classifier with Adaptive Linear modulation，带自适应线性调制的解耦分类器）的新方法，包含两个关键组件：（1）对倒数第二层特征进行线性调制，结合易于获取的年龄和认知指示性表格特征；（2）一个解耦分类器，为每个群体提供更具针对性的决策边界，进一步提升性能。通过在不同架构上的广泛实验与评估，我们证明了 DEAL 在提升 MCI 向 AD 转化预测群体鲁棒性方面的有效性。
引用
@article{arxiv.2411.10814,
title = {DEAL: Decoupled Classifier with Adaptive Linear Modulation for Group Robust Early Diagnosis of MCI to AD Conversion},
author = {Donggyu Lee and Juhyeon Park and Taesup Moon},
journal= {arXiv preprint arXiv:2411.10814},
year = {2025}
}
备注
Dataset split issue exists