面向神经退行性疾病病程建模的阶段感知混合专家框架
机器学习
2025-08-12 v1 定量方法
摘要
神经退行性疾病的长期病程通常被概念化为一种由跨脑结构连通网络的图扩散过程和脑区域内部局部反应过程组成的时空扩散过程。然而，由于1）通过不规则且稀疏的受试者访问获取的纵向数据稀缺，2）疾病阶段下病理机制在脑区域间的复杂相互作用，其中传统模型假设整个病程中机制保持固定，因此建模仍具挑战。为此，我们提出一种新型的阶段感知混合专家（MoE）框架，显式建模不同贡献机制在不同疾病阶段随时间变化的权重。数据方面，我们采用迭代双优化方法准确估计个体观察的时间位置，从不规则快照构建出cohort级的病程轨迹。模型方面，我们引入的非均匀图神经扩散模型（IGND）增强了空间组成部分，允许扩散系数基于节点状态和时间变化，提供更灵活的脑网络表征。我们还引入局部神经反应模块以捕捉超越标准过程的复杂动力学。最终的IGND-MoE模型在时间状态下动态整合这些组件，为理解阶段特定病理机制如何贡献于病程提供了原则性方法。阶段性权重揭示了与文献相符的新临床见解，表明图相关过程在早期阶段更具影响力，而其他未知物理过程则在后期占据主导地位。
引用
@article{arxiv.2508.07032,
title = {A Stage-Aware Mixture of Experts Framework for Neurodegenerative Disease Progression Modelling},
author = {Tiantian He and Keyue Jiang and An Zhao and Anna Schroder and Elinor Thompson and Sonja Soskic and Frederik Barkhof and Daniel C. Alexander},
journal= {arXiv preprint arXiv:2508.07032},
year = {2025}
}