HIBMatch：用于半监督阿尔茨海默病进展预测的超图信息瓶颈方法

阿尔茨海默病进展预测对于早期轻度认知障碍（Mild Cognitive Impairment, MCI）患者至关重要，可实现及时干预并改善其生活质量。尽管现有进展预测技术在多模态数据上展现出潜力，但它们高度受限于对标注数据的依赖，且未考虑未来进展预测的一个关键要素：当前时刻提取的特征并非全部与数年后的进展预测相关。为解决文献中的这些局限，我们借助基于信息瓶颈与一致性正则化策略的超图知识，设计了一种新颖的半监督多模态学习超图架构，称为 HIBMatch。首先，我们的框架利用超图表示包含影像与非影像模态的多模态数据。其次，为协调当前捕获数据中与未来 MCI 转化预测相关的信息，我们提出超图信息瓶颈（Hypergraph Information Bottleneck, HIB），其甄别并排斥无关信息，从而专注于协调未来 MCI 转化预测的相关信息。第三，我们的方法在 HIB 与判别分类器间施加一致性正则化，以增强 HIBMatch 在拓扑与特征扰动下的鲁棒性与泛化能力。最后，为充分利用无标签数据，HIBMatch 引入跨模态对比损失以提升数据效率。在阿尔茨海默病神经影像倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）数据集上的大量实验表明，我们提出的 HIBMatch 框架在阿尔茨海默病预后上超越了现有最优方法。