Modèle de transformateur profond explicable guidé par attention croisée pour la classification multi-niveaux de troubles neurologiques rares à l'aide d'images IRMCross-attention guided explainable deep transformer model for multi-level classification of rare neurological disorders using MRI images.
- Le modèle intègre CNN et transformateur avec attention croisée pour capturer les dépendances locales et globales.
- Un ensemble par vote pondéré (GNN, DBN, SAE) renforce la robustesse et la généralisation.
- L'explicabilité via EigenCAM fournit des cartes de visualisation interprétables pour les cliniciens.
L'article présente une nouvelle méthode de classification de troubles neurologiques rares par IRM avec explicabilité, pertinente pour les neurosciences cliniques mais technique et sans validation clinique directe.
La validation repose sur un seul jeu de données ouvert, limitant la généralisation à d'autres populations. La complexité computationnelle peut entraver le déploiement en temps réel. Aucune comparaison avec des méthodes cliniques standards ou des experts humains n'est fournie.
Cette étude propose un modèle de transformateur profond explicable (CAXDT-MLCRND) pour la classification multi-niveaux de troubles neurologiques rares à partir d'IRM. Le modèle combine un CNN pour les caractéristiques locales et un transformateur pour les dépendances globales, avec une attention croisée pour l'interaction dynamique. Un ensemble par vote pondéré intégrant un réseau de neurones graphique, un réseau de croyances profondes et un auto-encodeur empilé améliore la robustesse. L'optimisation bayésienne ajuste les hyperparamètres, et l'explicabilité est assurée par EigenCAM. Les résultats sur un jeu de données IRM ouvert montrent des performances améliorées en classification multi-étiquettes.
Le modèle intègre CNN et transformateur avec attention croisée pour capturer les dépendances locales et globales. Un ensemble par vote pondéré (GNN, DBN, SAE) renforce la robustesse et la généralisation. L'explicabilité via EigenCAM fournit des cartes de visualisation interprétables pour les cliniciens. Le modèle est validé sur un jeu de données IRM ouvert, montrant une amélioration de la classification multi-étiquettes de troubles neurologiques rares.
Ce modèle pourrait assister le diagnostic de troubles neurologiques rares en environnement limité en ressources. L'interprétabilité offerte par EigenCAM augmente la confiance des cliniciens dans les prédictions. La classification multi-niveaux permet une détection simultanée de comorbidités neurologiques.
Modéré