LLM增强图推断用于长期疾病progression建模
人工智能
2025-11-17 v1 机器学习
摘要
理解神经退行性疾病期间，脑区生物标志物之间的相互作用对于阐明疾病progression背后的机制至关重要。例如，阿尔茨海默病（AD）的病理模型通常描述变量（如区域毒蛋白水平）如何在由潜在生物学基质驱动的动态系统中进行时空相互作用，这些基质常基于脑连接性。然而，当前方法严重简化了脑连接性之间复杂关系，假设单模态脑连接图作为疾病扩散基质，这会导致在长期progression期间对病理扩散进行不准确的预测。另一方面，纯数据驱动学习此类图的方法面临缺乏适当约束导致的可识别性问题。我们因此提出了一种新框架，使用大语言模型（LLM）作为区域变量相互作用的专家指导，以增强从不规则纵向患者数据中学习疾病progression的能力。通过利用LLM综合多模态关系并纳入多样化疾病驱动机制，本方法同时优化了1）从个体水平观察构建长期疾病轨迹的构造，以及2）捕捉脑区之间相互作用的受生物学约束的图结构，以获得更好的可识别性。我们通过使用来自阿尔茨海默病队列的tau-PET影像数据估计病理扩散，演示了新方法。该新框架在预测准确性和可解释性方面优于传统方法，同时揭示了超越常规连接性措施的额外疾病驱动因素。
引用
@article{arxiv.2511.10890,
title = {LLM enhanced graph inference for long-term disease progression modelling},
author = {Tiantian He and An Zhao and Elinor Thompson and Anna Schroder and Ahmed Abdulaal and Frederik Barkhof and Daniel C. Alexander},
journal= {arXiv preprint arXiv:2511.10890},
year = {2025}
}