Исследователи представили метод эффективной настройки визуальных моделей (Vision Foundation Models) для раннего выявления умеренных когнитивных нарушений (MCI) по результатам нейропсихологических тестов с рисованием. Использование адаптивной фокусной функции потерь (Adaptive Focal Loss) позволило повысить точность классификации в условиях дефицита данных и дисбаланса классов, обеспечивая при этом интерпретируемость результатов для клинической практики.

Традиционные подходы к анализу графических тестов часто требуют значительных вычислительных ресурсов для дообучения тяжелых нейросетей. Новый метод использует технику Parameter-efficient Prompt Tuning, которая адаптирует предобученные визуальные модели с минимальным количеством обучаемых параметров. Это позволяет эффективно работать с ограниченными наборами медицинских данных, сохраняя высокую точность при разграничении пограничных состояний, предшествующих болезни Альцгеймера.

Ключевым преимуществом предложенного подхода является акцент на интерпретируемости. В отличие от «черных ящиков», модель выделяет конкретные визуальные признаки в рисунках пациентов, которые коррелируют с когнитивным снижением. Это дает врачам возможность верифицировать выводы алгоритма, что критически важно для принятия решений в диагностике нейродегенеративных заболеваний.

Ключевые факты

  • Метод основан на Parameter-efficient Prompt Tuning для адаптации Vision Foundation Models.
  • Внедрена адаптивная фокусная функция потерь (Adaptive Focal Loss) для борьбы с дисбалансом классов.
  • Решение направлено на автоматизацию скрининга умеренных когнитивных нарушений (MCI).
  • Модель демонстрирует повышенную точность в условиях ограниченного объема клинических данных.
  • Разработка помогает преодолеть проблему диагностической неопределенности при анализе рисунков пациентов.