GeoSAE：基于几何先验的脑MRI基础模型分层稀疏自编码器注释
计算机视觉与模式识别
2026-05-05 v1 人工智能
机器学习
摘要
脑MRI基础模型学习了丰富的解剖表征，但解释它们编码的临床信息仍是开放问题。标准稀疏自编码器（SAE）在深层变换器层中 suffer from severe feature collapse，而在阿尔茨海默病（AD）研究中，衰老会混淆几乎所有临床变量，使得不加限制的注释不可靠。我们提出GeoSAE，一种几何引导的SAE框架，利用基础模型所学习的流形结构防止特征坍缩，并通过年龄去混淆的部分相关系数为每个存活特征进行注释。在约14,000例T1加权MRI扫描（来自阿尔茨海默病神经影像计划（ADNI）和澳大利亚影像生物标志物与生活方式（AIBL）数据集）中应用后，GeoSAE识别出一套紧凑且完全可解释的特征集合，使用仅2%的嵌入维度即可预测轻度认知障碍（MCI）向AD转化（AUC=0.746），而伴有共病注释的特征仅实现随机水平表现。所识别的特征在不同队列中可复制且无需重新训练（r=0.97），并局部于符合巴拉克分期的神经解剖区域。这表明几何引导的SAE可从冻结的脑MRI基础模型中提取可解释的生物标志物。
引用
@article{arxiv.2605.01829,
title = {GeoSAE: Geometric Prior-Guided Layer-Wise Sparse Autoencoder Annotation of Brain MRI Foundation Models},
author = {Favour Nerrise and Lucy Yin and Mohammad H. Abbasi and Kilian M. Pohl and Ehsan Adeli},
journal= {arXiv preprint arXiv:2605.01829},
year = {2026}
}
备注
CVPR Workshop on Computer Vision for Clinical Applications (CV4Clinical) 2026, 9 pages, 5 figures, 2 tables, for associated code, see https://github.com/favour-nerrise/GeoSAE