基于大型基础模型与分层稀疏协作注意力融合的阿尔茨海默病诊断研究

本刊推荐：本文提出分层稀疏协作注意力融合（HSCFA）框架，创新性地结合大型基础模型（LFM）与注意力机制，实现阿尔茨海默病（AD）多组学数据的特征构建、提取与融合。通过带状注意力（基因特征）和多轴注意力（影像特征）提取层级特征，并采用协同注意力（co-attention）实现特征交互，在AD早期诊断（三分类准确率达88.41%）和致病机理挖掘方面表现卓越，为AD病理研究提供新范式。

　　

Highlight

本研究提出分层稀疏协作注意力融合（HSCFA）数学模型，采用带状注意力（banded attention）提取基因特征，多轴注意力（multi-axis attention）提取影像特征，并通过协同注意力（co-attention）实现特征融合，所有机制均适配特定数据特征。

基于生物医学大型基础模型（LFM）的HSCFA算法被提出。我们使用时序大模型TimeGPT构建脑区fMRI时间序列，并利用基因语境模型Evo自动构建与SNP对应的基因序列。此外，HSCFA算法实现了所有注意力模块。

在公开数据集上的综合实验验证表明，HSCFA在AD诊断中达到先进性能（NC/AD、NC/EMCI和NC/EMCI/AD分类准确率分别为93.67%、92.32%和88.41%）。超过80%的提取致病因子与AD相关病变存在关联，证明HSCFA具备辅助医疗决策的能力。

Proposed Methods

本节提出面向多层级特征构建、提取与融合的框架。首先，3.1节描述使用生物医学LFM构建影像与遗传特征；其次，3.2节开发分层稀疏协作注意力融合模型，数学形式化脑区-基因关联；第三，3.3节提出可解释的HSCFA算法作为数学模型实现；最后，3.4节分析算法复杂度。

CRediT authorship contribution statement

曾旭钊：原始稿件撰写，可视化，方法论；张大芳：监督，形式分析，概念化；谢琨：稿件审阅，验证，形式分析；方金雄：可视化，验证，软件，数据管理；毕夏安：稿件审阅，监督，调研，概念化。

Declaration of competing interest

作者声明不存在已知可能影响本研究的竞争性财务利益或个人关系。