MIRAGE：知识图谱引导的跨队列MRI合成用于阿尔茨海默病预测
计算机视觉与模式识别
2026-03-04 v1 人工智能
摘要
可靠的阿尔茨海默病(AD)诊断越来越依赖于结合结构磁共振成像(MRI)和电子健康记录(EHR)的多模态评估。然而，由于MRI扫描成本高昂且在许多患者队列中经常不可用，这些模型的部署受到模态缺失的瓶颈限制。此外，从稀疏的高维表格记录中从头合成3D解剖扫描在技术上具有挑战性，并带来严重的临床风险。为了解决这个问题，我们引入了MIRAGE，一个新颖的框架，将缺失MRI问题重新定义为解剖引导的跨模态潜在蒸馏任务。首先，MIRAGE利用生物医学知识图谱(KG)和图注意力网络将异质的EHR变量映射到一个统一的嵌入空间，该空间可以从具有真实MRI的队列传播到没有MRI的队列。为了弥合语义差距并强制物理空间感知，我们采用一个冻结的预训练3D U-Net解码器严格作为辅助正则化引擎。在一种新颖的队列聚合跳跃特征补偿策略的支持下，该解码器充当严格的结构惩罚，迫使1D潜在表示编码生物学上合理的、宏观层面的病理语义。通过在推理期间仅利用这种蒸馏的“诊断替代”表示，MIRAGE完全绕过了计算昂贵的3D体素重建。实验表明，我们的框架成功弥合了缺失模态差距，在没有真实MRI的队列中，与单模态基线相比，AD分类率提高了13%。
引用
@article{arxiv.2603.02434,
title = {MIRAGE: Knowledge Graph-Guided Cross-Cohort MRI Synthesis for Alzheimer's Disease Prediction},
author = {Guanchen Wu and Zhe Huang and Yuzhang Xie and Runze Yan and Akul Chopra and Deqiang Qiu and Xiao Hu and Fei Wang and Carl Yang},
journal= {arXiv preprint arXiv:2603.02434},
year = {2026}
}