基于低秩混合专家深度学习框架的手写笔高效阿尔茨海默病诊断
机器学习
2026-05-07 v1 人工智能
摘要
阿尔茨海默病（AD）的早期可靠检测对于及时临床干预和改善患者管理至关重要，也支持对新兴治疗策略的评估。本文提出了一种面向阿尔茨海默病诊断的低秩混合专家（LoRA-MoE）深度学习框架，基于手写笔分析。手写笔信号提供了一种非侵入且可扩展的数字生物标志物，捕捉与早期 AD 进展相关的细微认知-运动功能障碍。该架构允许多个专家在不同手写笔模式上进行专业化学习，同时共享常见的基础网络。这种设计使模型能够高效学习通用表征，同时减少专家之间的相互干扰。每个专家配备轻量级低秩适配器。这一机制显著减少了相较于标准混合专家（MoE）模型的可训练参数数量，并提高了训练稳定性。该框架在诊断阿尔茨海默病手写笔数据集（DARWIN）上进行评估。开展了包括隐藏层维度大小、专家数量和 LoRA 秩等关键架构参数的消除实验。方法与多层感知机（MLP）和传统 MoE 架构进行比较。此外，还探讨了堆叠集成策略（StackMean 和 StackMax）以提高鲁棒性和预测性能。实验结果表明，LoRA-MoE 框架在诊断性能方面表现出色，同时在推理期间激活的显著参数数量远低于其他方法。这一结果凸显了该方法作为手写笔基于阿尔茨海默病筛查和数字健康应用的准确且高效解决方案的潜力。
引用
@article{arxiv.2605.04079,
title = {Efficient Handwriting-Based Alzheimer,s Disease Diagnosis Using a Low-Rank Mixture of Experts Deep Learning Framework},
author = {Wu Wang and Yuang Cheng and Fouzi Harrou and Ying Sun},
journal= {arXiv preprint arXiv:2605.04079},
year = {2026}
}
备注
26 pages, 6 figures, and 17 tables