CoPoE：通过可分解的疾病坐标专家乘积实现用于模态缺失情况下阿尔茨海默病诊断的多模态融合

arXiv:2610.11394v1 公告类型：新论文 摘要：多模态阿尔茨海默病（AD）诊断受益于异质性临床、影像、基因组和生物标志物证据的整合，但临床队列中经常存在不规则的模态缺失。现有融合方法往往合成缺失的输入，面临引入人工替代数据的风险，或将可用信号汇集到不可解释的潜在空间中。我们提出 CoPoE（疾病坐标专家乘积），这是一个疾病坐标框架，将多模态证据映射到结构化潜在空间，并将该空间划分为四个不同的生物学和临床轴：遗传风险、分子病理、神经退行性变和临床分期（R/P/N/S）。每个已观测模态都对覆盖完整 RPNS 向量的对角高斯专家进行参数化，而带掩码的专家乘积架构仅融合可用模态。因此，缺失模态不会向融合路径添加任何因子，使网络能够针对任意非空模态子集保留稳健、可分解的后验分布，而无须在 RPNS 路径中进行合成插补。通过在 ADNI 数据集上开展广泛的模态缺失实验，在共享的非 PET ADNI 嵌入基准下，与标准化的模态缺失融合基线相比，CoPoE 取得了最佳的全模态性能，并在全部 15 种已观测模态子集评估中获得最高的平均 AUROC，同时显著改善了原始概率的 ECE、Brier 分数和 NLL。此外，PET 监督探测显示，在全模态条件下，病理（P）分块内存在证据富集；即使不提供直接的体液生物样本输入，仍能保留与 tau 相关的信号。我们的代码已公开，地址为 https://github.com/labhai/CoPoE。