Dual-Transformer Cross-Attention Framework for Alzheimer’s disease detection via dPTE-Guided EEG channel selection and multi-modal integration
Notice bibliographique
Résumé
Accurate and efficient detection of Alzheimer’s Disease (AD) and Frontotemporal Dementia (FTD) poses significant challenges in neuroscience and healthcare. Our proposed AI framework, Dual-Transformer Cross-Attention Network (DTCA-Net), combines deep learning and directed Phase Transfer Entropy (dPTE) to optimize channel selection crucial for the detection of AD and FTD. Our method identified six critical EEG channels (F7, F8, T3, T4, O1, and O2) through dPTE analysis. We propose the DTCA-Net architecture, which fuses dPTE and differential entropy (DE) features via a multi-head cross-attention layer, projecting dPTE into queries and DE into keys/values over the temporal dimension, so that connectivity (dPTE) shifts are explicitly aligned with spectral complexity (DE), yielding richer spatiotemporal representations. By leveraging a reduced set of EEG channels identified via dPTE, DTCA-Net performance is comparable to previous state-of-the-art models. Additionally, we introduce an adaptive post-processing voting mechanism to enhance subject-level predictions. This approach achieves an F1 score of 84.9% for AD vs. control (CN) detection and 66.5% for FTD vs. CN detection. Overall, compared to traditional full-channel utilization, our model demonstrates the practicality of a reduced-channel solution for clinical applications in AD and FTD detection, enhancing the accessibility and cost-effectiveness of EEG-based diagnostics. The code has been released on GitHub .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».