A Multi-Modal Explainable Deep Learning Model for Rheumatoid Arthritis Diagnosis Using Multi-Omics and Clinical Data
Notice bibliographique
Résumé
Rheumatoid arthritis (RA) is a long-term autoimmune syndrome that causes inflammation and tenderness in the joints. Because of the wide range of progressing symptoms and patient diversity, rheumatoid arthritis therapy necessitates thorough examination of available remedies. Rheumatic arthritis factors- anti-cyclic citrullinated peptide (anti-CCP) antibodies, erythrocyte sedimentation rate (ESR), and C-reactive protein (CRP) are systematically indicators that have historically been used in the confirmation of RA, along with medical tests such as stiffness during the morning and swelling around the joints. Advanced technologies such as artificial intelligence, machine learning as well deep learning provide the possibility of reducing delays in diagnosis and enhancing treatment outcomes in the case of rheumatoid arthritis, a chronic inflammatory disease that necessitates immediate treatment. This study suggests a unique multi-modal attention based ensemble (MAE) model for earliest RA detection which incorporates imaging information, clinical markers, transcriptomics, and metabolomics analysis. This research builds a reliable framework with attention mechanisms and SHAP-based interpretation using huge freely accessible datasets, including Metabolomics Workbench- MT BLS3744,$\mathbf{n} \boldsymbol{=} \mathbf{2 2 0}$, GEO- GSE93272,$\mathbf{n} \boldsymbol{=} \mathbf{2 3 2}$, and OAI clinical data, where$\mathbf{n} \boldsymbol{=} \mathbf{3 0 0}$. According to initial analyses, the suggested MAE model outperforms current EBM as well as LightGBM techniques in terms of accuracy such as$\text{AUC}=0943$, sensitivity =0.921, specificity =0.89, Brier Score$=0.096$. The finding clears the path for the use of comprehensible, multi-modal AI methodologies in precise rheumatology and show that they are feasible to implement in RA detection.
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 | 0,002 |
| 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 | 0,002 |
| 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 ».