DiGAN: Diffusion-Guided Attention Network for Early Alzheimer's Disease Detection

arXiv:2602.03881v2 Announce Type: replace 摘 要：Alzheimer's disease (AD) の早期診断は、前駆段階における構造的脳変化が微妙であり、かつ時間的に不規則に進行するため、依然として大きな課題となっています。既存のディープラーニングアプローチは、大規模な縦断データセットを必要とし、実世界の臨床データに内在する時間的な連続性とモードの不均一性をモデル化することができず、失敗することがあります。これらの限界に対処するために、我々は、潜在空間における拡散モデルと、注意機構に導かれた畳み込みネットワークを組み合わせた Diffusion-Guided Attention Network（DiGAN）を提案します。拡散モデルは、限られたトレーニングデータから、現実的な縦断的な神経画像経路を合成し、時間的な文脈を強化するとともに、不規則な間隔での訪問に対する堅牢性を向上させます。次に、注意畳み込み層は、認知症非認知症患者と軽度認知障害、主観的認知低下症患者を区別する鑑別力のある構造的・時間的なパターンを捕捉します。ADNI データセット上での実験により、DiGAN は既存の最先進ベースラインを凌駕し、AD の早期発見にその潜在的な可能性を示しました。

arXiv:2602.03881v2 Announce Type: replace Abstract: Early diagnosis of Alzheimer's disease (AD) remains a major challenge due to the subtle and temporally irregular progression of structural brain changes in the prodromal stages. Existing deep learning approaches require large longitudinal datasets and often fail to model the temporal continuity and modality irregularities inherent in real-world clinical data. To address these limitations, we propose the Diffusion-Guided Attention Network (DiGAN), which integrates latent diffusion modelling with an attention-guided convolutional network. The diffusion model synthesizes realistic longitudinal neuroimaging trajectories from limited training data, enriching temporal context and improving robustness to unevenly spaced visits. The attention-convolutional layer then captures discriminative structural-temporal patterns that distinguish cognitively normal subjects from those with mild cognitive impairment and subjective cognitive decline. Experiments on the ADNI dataset demonstrate that DiGAN outperforms existing state-of-the-art baselines, showing its potential for early-stage AD detection.