NeuroSymAD：面向可解释阿尔茨海默病诊断的神经符号框架
图像与视频处理
2025-03-04 v1 计算机视觉与模式识别
摘要
阿尔茨海默病（AD）诊断复杂，需要整合影像和临床数据才能准确评估。虽然深度学习在脑 MRI 分析方面显示出前景，但其常作为黑盒子工作，限制了可解释性，且缺乏有效整合临床关键数据的机制，如生物标志物、病史和人口学信息。为弥合这一差距，我们提出 NeuroSymAD，一种神经符号框架，通过神经网络与符号推理协同作用来实现。神经网络感知脑 MRI 扫描，而大型语言模型（LLM）提炼医学规则以指导符号系统对生物标志物和病史进行推理。这种结构化整合既提升了诊断准确性，又增强了可解释性。在 ADNI 数据集上的实验表明，NeuroSymAD 在准确率上比最先进的方法高出最高可达 2.91%，F1 分数提升最高可达 3.43%，并提供透明且可解释的诊断。
引用
@article{arxiv.2503.00510,
title = {NeuroSymAD: A Neuro-Symbolic Framework for Interpretable Alzheimer's Disease Diagnosis},
author = {Yexiao He and Ziyao Wang and Yuning Zhang and Tingting Dan and Tianlong Chen and Guorong Wu and Ang Li},
journal= {arXiv preprint arXiv:2503.00510},
year = {2025}
}