阿尔茨海默病预测新框架：2649人验证，诊断AUROC达0.935！
Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research
📖 AI 总结
该研究针对阿尔茨海默病预测中普遍存在的随访不规律、测量数据异质及模态缺失等挑战，提出了一种融合多模态与多任务的深度学习框架。该框架整合了适配的SFCN MRI编码器、四个因果临床Transformer、共享融合模块以及任务特定的ODE-GRU动态模型，并通过微调与LoRA技术适配MRI最后两个模块。为控制数据泄漏，研究采用了分支特异性输入控制、按受试者分组的数据划分及经验因果性检验。基于ADNI、OASIS-2和MIRIAD三个队列共2649名受试者、17317次随访数据的内部验证显示，诊断、第一阶段进展及首次第一阶段随访进展的AUROC分别达到0.935、0.884和0.870，混合AUROC分别为0.951、0.909和0.896，下次随访MMSE的MAE为1.61分。在OASIS-3外部验证中，网络与混合诊断AUROC分别为0.763和0.767，诊断校准误差从0.197降至0.052。消融实验表明，移除临床编码器输入会使诊断AUROC下降0.272，而其余六个组件的贡献差异在-0.004至+0.004之间。该框架在统一流程内实现了纵向预测、缺失模态处理、共病建模与亚组评估的集成。
🔑 关键词速览
| SFCN | 一种用于MRI的3D卷积神经网络编码器，可提取脑部影像的深层特征。 |
| LoRA | 低秩适配（Low-Rank Adaptation），一种参数高效微调方法，通过低秩矩阵更新预训练模型权重。 |
| Task-DRO | 任务分布式鲁棒优化（Task Distributionally Robust Optimization），用于平衡多任务学习中各任务损失的方法。 |
| Group-CVaR | 分组条件风险价值（Group Conditional Value-at-Risk），一种针对不同亚组（如队列和共病分层）的风险度量优化目标。 |
| ODE-GRU | 常微分方程门控循环单元（Ordinary Differential Equation Gated Recurrent Unit），结合连续时间动态与循环网络用于建模纵向变化。 |
📱 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