M³AD：用于阿尔茨海尔病诊断和转换模式建模的多任务多门专家混合模型
图像与视频处理
2025-08-05 v1
摘要
阿尔茨海尔病（AD）的病程遵循从正常认知（NC）经轻度认知障碍（MCI）到痴呆的复杂连续过程，但大多数深度学习方法将其简化为离散分类任务。本研究引入M³AD，一种新型的多任务多门专家混合模型框架，联合解决诊断分类和认知转换建模，使用结构性MRI。我们包含三个关键创新：（1）开源的T1加权sMRI预处理管道；（2）基于年龄、性别、脑容积等人口学先验条件，捕捉NC-MCI-AD转换模式的统一学习框架，以提高泛化能力；（3）定制化的多门专家混合模型架构，仅使用结构性MRI即可实现有效的多任务学习。该框架采用针对诊断特定病理模式的专用专家网络，同时由共享专家模型认知连续过程中的共通结构特征。采用SimMIM预训练结合多任务微调的两阶段训练协议，以实现联合优化。全面评估包括12,037个T1加权sMRI扫描的六个数据集，显示出优异的性能：三类NC-MCI-AD分类的准确率为95.13%，二分类NC-AD的准确率为99.15%，分别比最先进的方法提高了4.69%和0.55%。多任务方案同时实现了对认知转换预测的97.76%准确率。我们的框架在使用更少的模态方法方面优于现有方法，为早期干预提供了临床可行的解决方案。代码：https://github.com/csyfjiang/M3AD。
引用
@article{arxiv.2508.01819,
title = {M$^3$AD: Multi-task Multi-gate Mixture of Experts for Alzheimer's Disease Diagnosis with Conversion Pattern Modeling},
author = {Yufeng Jiang and Hexiao Ding and Hongzhao Chen and Jing Lan and Xinzhi Teng and Gerald W. Y. Cheng and Zongxi Li and Haoran Xie and Jung Sun Yoo and Jing Cai},
journal= {arXiv preprint arXiv:2508.01819},
year = {2025}
}
备注
11 pages, 6 figures, 5 tables