面向帕金森病重症分型的稀疏注意力深度学习模型集成异构多模态特征
机器学习
2026-01-05 v1
摘要
表征帕金森病（PD）的异构表型需要在统一的预测框架中整合生物标志物和临床标记。虽然多模态数据提供互补信息，但许多现有计算模型在可解释性、类别不平衡或有效融合高维影像和表格临床特征方面存在困难。为此，我们提出了类加权稀疏注意力融合网络（SAFN），一种用于稳健多模态分型的可解释深度学习框架。SAFN通过模态特定编码器整合MRI皮层厚度、MRI体积度量、临床评估和人口学变量，采用对称交叉注意力机制捕获影像与临床表征之间的非线性相互作用。稀疏约束注意力门控融合层动态优先排序信息模态，同时采用类别平衡焦点损失（beta=0.999, gamma=1.5）在不使用合成欠采样的情况下缓解数据集不平衡。我们在703名受试者（570名PD、133名健康对照）的人群中使用subject-wise五折交叉验证进行评估，SAFN实现0.98±0.02的准确率和1.00±0.00的PR-AUC，超越现有的机器学习和深度学习基线方法。可解释性分析显示，约60%的预测权重归属于临床评估，这与运动障碍学会诊断原则相符。SAFN为神经退行性疾病的计算分型提供了可复现且透明的多模态建模范式。
引用
@article{arxiv.2601.00519,
title = {A Sparse-Attention Deep Learning Model Integrating Heterogeneous Multimodal Features for Parkinson's Disease Severity Profiling},
author = {Dristi Datta and Tanmoy Debnath and Minh Chau and Manoranjan Paul and Gourab Adhikary and Md Geaur Rahman},
journal= {arXiv preprint arXiv:2601.00519},
year = {2026}
}