arXiv cs.LG·23 天前★ 2

阿尔茨海默病多模态学习框架实现诊断与进展预测

原文标题：Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

一项 arXiv 研究提出泄漏控制的多模态多任务框架，结合 SFCN MRI 编码器、因果临床 Transformer 与 ODE-GRU 动态建模，用于阿尔茨海默病诊断和进展预测。在 ADNI、OASIS-2、MIRIAD 共 2649 名受试者上，诊断 AUROC 达 0.935，外部验证 OASIS-3 上为 0.763。该框架统一处理纵向预测、缺失模态和亚组评估。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 阿尔茨海默病预测面临访问不规律、测量异质与模态缺失。
方法: 多模态多任务框架：SFCN MRI 编码器加四个因果临床 Transformer，共享融合与任务专属 ODE-GRU 动态，配合 Task-DRO 与 Group-CVaR。
结果: 2649 名受试者上诊断 AUROC 0.935，外部 OASIS-3 验证 0.763，下次 MMSE MAE 1.61。
影响: 为医疗 AI 提供统一处理纵向预测、缺失模态与亚组公平的框架，外部验证差距提示泛化仍是难点。