用于阿尔茨海默病预测的跨模态因果干预
人工智能
2025-11-07 v2 计算机视觉与模式识别
多媒体
摘要
轻度认知障碍（MCI）作为阿尔茨海默病（AD）的前驱阶段，早期识别和干预可有效减缓向痴呆的进展。然而，由于多模态数据的选择偏差和变量间的复杂关系所导致的混淆因素，诊断 AD 仍然是神经学中的重大挑战。为解决这些问题，我们提出了一种名为用于阿尔茨海默病诊断的带中介的跨模态因果干预（MediAD）的视觉-语言因果启发框架，用于辅助诊断。我们的 MediAD 采用大语言模型（LLM）在严格模板下总结临床数据，从而丰富文本输入。MediAD 模型利用磁共振成像（MRI）、临床数据以及由 LLM 丰富的文本数据，将参与者分类为认知正常（CN）、MCI 和 AD 类别。由于存在脑血管病变和年龄相关生物标志物等混淆因素，非因果模型可能捕获虚假的输入-输出相关性，从而产生可靠性较低的结果。我们的框架通过统一的因果干预方法隐式地缓解了可观测和不可观测混淆因素的影响。实验结果表明，我们的方法在区分 CN/MCI/AD 病例方面表现出色，在大多数评估指标上优于其他方法。该研究展示了将因果推理与多模态学习相结合用于神经疾病诊断的潜力。
引用
@article{arxiv.2507.13956,
title = {Cross-modal Causal Intervention for Alzheimer's Disease Prediction},
author = {Yutao Jin and Haowen Xiao and Junyong Zhai and Yuxiao Li and Jielei Chu and Fengmao Lv and Yuxiao Li},
journal= {arXiv preprint arXiv:2507.13956},
year = {2025}
}