MetaVoxel: 成像与临床元数据的联合扩散建模
计算机视觉与模式识别
2025-12-15 v2 人工智能
摘要
现代深度学习方法在从疾病分类、估计连续生物标志物到生成逼真医学图像等任务中取得了令人瞩目的成果。这些方法大多被训练用于建模由特定预测方向和特定输入变量集定义的条件分布。我们提出了MetaVoxel，一个生成式联合扩散建模框架，通过学习跨越所有变量的单一扩散过程来建模成像数据与临床元数据的联合分布。通过捕获联合分布，MetaVoxel统一了传统上需要独立条件模型的任务，并支持使用任意输入子集进行灵活的零样本推理，无需任务特定的重新训练。我们使用来自九个数据集的超过10,000个T1加权MRI扫描及其配套临床元数据，证明单个MetaVoxel模型可以执行图像生成、年龄估计和性别预测，性能与已建立的任务特定基线相当。额外的实验突出了其灵活推理的能力。这些发现共同表明，联合多模态扩散为统一医学AI模型和实现更广泛的临床应用提供了一个有前景的方向。
引用
@article{arxiv.2512.10041,
title = {MetaVoxel: Joint Diffusion Modeling of Imaging and Clinical Metadata},
author = {Yihao Liu and Chenyu Gao and Lianrui Zuo and Michael E. Kim and Brian D. Boyd and Lisa L. Barnes and Walter A. Kukull and Lori L. Beason-Held and Susan M. Resnick and Timothy J. Hohman and Warren D. Taylor and Bennett A. Landman},
journal= {arXiv preprint arXiv:2512.10041},
year = {2025}
}