基于多模态大语言模型的准确且可解释的产后月龄预测
人工智能
2025-08-05 v1
摘要
准确估计产后月龄（PMA）在扫描时的水平对于评估新生儿发育和健康至关重要。虽然深度学习模型在从脑磁共振影像预测 PMA方面已取得高准确率，但它们常常功能为黑盒，为临床决策提供有限的透明度和可解释性。在本工作中，我们针对准确性和可解释性的双重挑战，采用多模态大语言模型（MLLM）适配器，既实现精确的 PMA 预测，又生成临床相关的解释。我们采用指令调优和低秩适应（LoRA）策略，对 Qwen2.5-VL-7B 模型进行参数高效微调。该模型在四个 2D 大脑皮层表面投影图（源自新生儿 MRI 扫描）上进行训练。通过为训练和推理采用不同的提示，我们的方法使 MLLM 能够在训练期间处理回归任务，在推理期间生成临床相关的解释。经微调的模型实现低预测误差，95% 置信区间为 0.78 到 1.52 周，同时生成以发育特征为基础的可解释输出，标志着可透明且可信赖的人工智能系统在胎儿神经科学领域的重要进展。
引用
@article{arxiv.2508.02525,
title = {Accurate and Interpretable Postmenstrual Age Prediction via Multimodal Large Language Model},
author = {Qifan Chen and Jin Cui and Cindy Duan and Yushuo Han and Yifei Shi},
journal= {arXiv preprint arXiv:2508.02525},
year = {2025}
}
备注
Submitted to the NeurIPS 2025 Workshop GenAI4Health. Conference website: https://aihealth.ischool.utexas.edu/GenAI4HealthNeurips2025/