冻结TabPFN也能多模态诊断AD，跨队列泛化性能飙升！
M$^2$PFN: End-to-End Disentangled Alignment for Generalizable Multimodal In-Context Learning in Alzheimer's Disease
📖 AI 总结
本文提出M²PFN框架，旨在解决多模态阿尔茨海默病诊断模型跨队列泛化能力不足的问题。研究核心思路是将原本基于合成表格先验训练的TabPFN基础模型扩展为多模态预测器：通过可微分推理将任务梯度回传至3D-MRI与表格编码器，利用解耦与对比目标将两种模态对齐至共享子空间以匹配上下文学习引擎的先验，并通过可学习门控捷径融合纯表格预测。由于上下文学习引擎保持冻结，其测试时泛化机制得以保留。在ADNI数据集（2240名受试者，三分类CN/MCI/AD）上，模型取得65.55%宏F1与82.21%宏AUC，优于所有单模态与多模态基线；仅替换预测头即可回归MMSE，测试MAE为1.743。在OASIS-3与SCAN两个外部队列上无需重新训练即取得最佳AUC与最低MMSE MAE，且在认知量表变化时仍可迁移。该工作为多模态医学基础模型的泛化对齐提供了新思路。
🔑 关键词速览
| TabPFN | 一种基于 Transformer 的表格基础模型，通过合成先验进行元训练，支持上下文学习。 |
| In-context Learning (ICL) | 模型无需参数更新，仅根据输入上下文中的示例进行预测的学习范式。 |
| Disentangled Alignment | 将不同模态的特征解耦并映射到共享子空间，以消除模态间冗余并增强泛化。 |
| Macro-F1 / Macro-AUC | 宏平均 F1 和宏平均 AUC，分别对各类别 F1 和 AUC 取平均，用于评估多分类不平衡数据。 |
| MMSE | 简易精神状态检查，一种常用的认知功能评估量表，分数越低表示认知障碍越严重。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅