REN：面向肺纤维化病 diagnosis 的解剖学信息混合专家网络
计算机视觉与模式识别
2026-04-01 v3 人工智能
摘要
混合专家（MoE）架构通过条件计算将输入路由到专门子网络以实现可扩展学习，但常规MoE设计假设专家能力均匀且路由与域无关，这与医学影像中由解剖结构和区域病灶异质性决定病理模式的事实背道而驰。我们引入区域专家网络（REN），首个面向医学图像分类的解剖学信息化MoE框架。REN通过训练七个专门专家（分别专注于单个肺 lobe 或双肺组合），实现对区域特异性病理变化的精准建模。多模态门控机制动态整合放射组学生物标志物与由卷积（CNN）、Transformer（ViT）和状态空间（Mamba）架构提取的深度学习特征，对专家贡献进行加权。应用于597例、1898个扫描的纵向队列中的肺纤维化病（ILD）分类，REN持续实现优异性能：由放射组学引导的集成平均AUC为0.8646 ± 0.0467，相较于SwinUNETR单模型基线（AUC 0.7685，p=0.031）提升12.5%。下 lobe专家达到AUC 0.88-0.90，优于DL基线（CNN: 0.76-0.79），并反映了基底ILD进展的已知模式。经严格的患者水平交叉验证，REN显示出强大的泛化能力和临床可解释性，建立了一个可扩展、解剖导向的框架，可拓展至其他结构化医学影像任务。代码已在GitHub https://github.com/NUBagciLab/MoE-REN 提供。
引用
@article{arxiv.2510.04923,
title = {REN: Anatomically-Informed Mixture-of-Experts for Interstitial Lung Disease Diagnosis},
author = {Alec K. Peltekian and Halil Ertugrul Aktas and Gorkem Durak and Kevin Grudzinski and Bradford C. Bemiss and Carrie Richardson and Jane E. Dematte and G. R. Scott Budinger and Anthony J. Esposito and Alexander Misharin and Alok Choudhary and Ankit Agrawal and Ulas Bagci},
journal= {arXiv preprint arXiv:2510.04923},
year = {2026}
}
备注
13 pages, 4 figures, 5 tables