HiMAL: 用于预测和解释阿尔茨海默病进展的多模态分层多任务辅助学习框架
机器学习
2026-02-06 v2
摘要
目的:旨在开发并验证一种新型多模态框架 HiMAL(分层多任务辅助学习)框架,将预测认知复合功能作为辅助任务,以估计从轻度认知障碍 (MCI) 进展为阿尔茨海默病 (AD) 的纵向风险。方法:HiMAL 利用来自阿尔茨海默病神经影像学计划 (ADNI) 数据集中 MCI 患者的多模态纵向随访数据(包括影像特征、认知评估分数和临床变量),预测每次随访时 MCI 患者是否会在未来 6 个月内进展为 AD。使用受试者操作特征曲线下面积 (AUROC) 和精确率-召回率曲线下面积 (AUPRC) 指标,将 HiMAL 的性能与最先进的单任务和多任务基线进行比较。进行了消融研究以评估每种输入模态对模型性能的影响。此外,提供了关于疾病进展风险的纵向解释,以解释预测的认知衰退。结果:在 634 名 MCI 患者(平均 [IQR] 年龄:72.8 [67-78],60% 男性)中,209 名 (32%) 进展为 AD。与所有单模态单任务基线相比,HiMAL 表现出更好的预测性能(AUROC = 0.923 [0.915-0.937];AUPRC = 0.623 [0.605-0.644];均 p<0.05)。消融分析表明,影像和认知分数对疾病进展预测的贡献最大。讨论:具有临床参考价值的模型解释可提前 6 个月预测认知衰退,有助于临床医生进行未来的疾病进展评估。HiMAL 依赖常规收集的 EHR 变量进行 AD 发病的近端(6 个月)预测,表明其在高风险患者的即时监测与管理方面具有转化潜力。
引用
@article{arxiv.2404.03208,
title = {HiMAL: A Multimodal Hierarchical Multi-task Auxiliary Learning framework for predicting and explaining Alzheimer disease progression},
author = {Sayantan Kumar and Sean Yu and Andrew Michelson and Thomas Kannampallil and Philip Payne},
journal= {arXiv preprint arXiv:2404.03208},
year = {2026}
}
备注
Currently under review in Journal of Medical Informatics Association (JAMIA). 6 figures, 3 tables