DA-S2RL：面向异构图像与电子健康记录阿尔茨海默病诊断的疾病感知共享-特定表示学习

《Neural Networks》：DA-S2RL: Disease-aware shared-specific representation learning for heterogeneous image-EHR Alzheimer’s disease diagnosis

　　DA-S²RL 学习疾病感知的共享-特异表示用于阿尔茨海默病（AD）诊断。DIFFM 在融合前将 MRI 和 PET 整合为紧凑的影像表示。SCC 将影像-EHR 特征组织为共享语义和诊断残差。结构化的 EHR 症状提供了由 SHAP 分析验证的任务特异性线索。DA-S²RL 在 ADNI 和 NACC 的认知任务上分别达到 93.48% 和 93.81% 的准确率。**引言**阿尔茨海默病是最常见的神经退行性疾病，约占所有痴呆病例的 60–70%（Holtzman 等，2011）。其主要表现为记忆力减退、认知功能损害和行为异常。近年来，随着全球人口老龄化，AD 患病人数呈现快速增长趋势，预计到 2050 年，全球将有超过 1.5 亿人罹患痴呆症（GBD 2019 Dementia Forecasting Collaborators, 2022），这将对社会医疗体系造成沉重负担。尽管 AD 尚无有效治愈手段，但研究表明，早期识别和干预有助于延缓疾病进展（Rasmussen 和 Langerman, 2019），因此构建高效可靠的早期诊断方法具有重要意义。尽管多模态学习方法在自然图像处理领域已取得显著进展（Baltru?aitis 等，2018），但由于临床数据的异质性，其在 AD 早期诊断中的应用仍然充满挑战。现有的基于影像的方法通常依赖单一模态或采用浅层拼接策略（Kui 等，2026），这不足以捕捉分布于 MRI、PET 和 EHR 中的互补疾病信息。这类策略将多模态特征视为独立信号，无法对其深层语义依赖关系进行建模。这限制了诊断准确率，尤其是在临床上具有挑战性的 MCI 与 CN 的区分中——其中微妙的病理差异需要更丰富的跨模态推理。除影像之外，EHR 数据包含结构化临床症状、认知评估和行为观察，提供了神经退行性变的互补证据，而这些证据无法仅通过神经影像直接观察。然而，将 EHR 与影像模态相结合会引入显著的尺度差异和语义差异：影像特征在空间上稠密且连续，而 EHR 特征则稀疏且异构。更重要的是，影像和 EHR 从不同视角描述 AD——神经影像主要反映结构和代谢异常，而 EHR 记录症状级别和行为表现。因此，影像-EHR 融合不仅是特征融合问题，更是共享-特异表示学习问题。一些研究已尝试提出统一融合框架来解决这一差距；例如，Duenias 等（2025）提出了 HyperFusion，通过超网络建模实现动态跨模态协同；Prabhu 等（2022）采用独立的子网络分别提取 MRI 和 EHR 特征。然而，这些方法往往依赖粗粒度融合，缺乏对跨模态共同证据和模态特异性诊断线索的显式建模。因此，不同模态共享的疾病相关证据和有用的模态依赖线索可能会被混合在统一特征空间中，导致冗余或模糊的表示，从而限制互补诊断信息的有效利用。为应对上述挑战，本文提出 DA-S²RL——一个面向 AD 诊断的疾病感知共享-特异诊断框架。DA-S²RL 主要根据表示的诊断价值进行组织，将共享-特异表示学习适配于异构影像-EHR 诊断任务。传统的共享-私有或解耦方法主要将跨模态共同信息与模态特异性信息分离；DA-S²RL 进一步区分两类信息：由影像和 EHR 共同支持的一致性疾病证据，以及在抑制共享关联后仍具备诊断价值的模态特异性诊断残差。基于该模型架构，SCC 模块协同实现跨模态语义一致性约束、冗余信息抑制和双向共享-残差优化，从而同时保留具有共性和互补性的诊断证据。本文的主要贡献如下：**面向影像-EHR 诊断的疾病导向共享-特异表示框架：** 我们从诊断角色角度将异构影像-EHR 融合进行形式化。与将表示主要分解为跨模态共同信息和模态依赖信息的传统共享-私有或解耦多模态方法不同，DA-S²RL 进一步将其组织为跨模态共享诊断证据和互补的模态依赖诊断残差，从而对由不同模态共同支持的信息以及超出共享部分后仍具诊断价值的模态特异性信息进行建模。**面向异构多模态融合的共享-特异跨模态编码：** 我们设计了 SCC，通过跨模态语义一致性、冗余抑制和基于 CDAB 的双向精炼来组织影像-EHR 表示。对比一致性鼓励影像侧和 EHR 侧共享表示之间的疾病相关性对应。基于互信息的正则化减少共享语义与诊断残差之间的冗余依赖。CDAB 进一步精炼共享表示与模态特异性诊断残差之间的双向交互。**跨 AD 相关分类任务的 EHR 分析：** 我们将 ADNI 的 28 个离散 EHR 症状特征按临床相关性进行归类，并利用 SHAP 分析检验其任务特异性诊断贡献。ADNI 和 NACC 上的实验进一步证明了 DA-S²RL 在不同模态设置下进行影像-EHR 诊断的有效性。**章节摘录****相关工作** 早期关于阿尔茨海默病（AD）分类的研究主要聚焦于 MRI 结构或 PET 功能等单一模态神经影像数据，通常通过人工提取特征或对大脑形态/功能特征进行卷积神经网络（CNN）建模来实现（Payan 和 Montana, 2015）。这些方法奠定了图像辅助诊断的基础，但由于[难以……]，其泛化能力和鲁棒性仍然有限。**所提方法** 提出了一种通过整合影像和 EHR 数据实现 AD 分类的多模态诊断框架。所提框架遵循异质性感知的共享-特异表示学习策略，将异构多模态信息分配为跨模态共享诊断证据和模态依赖诊断残差。影像特征首先被整合为紧凑的影像表示，而 EHR 特征被编码到对齐的特征空间中。核心的……**数据集与预处理** 本研究主要利用阿尔茨海默病神经影像计划（ADNI）的多模态数据集进行建模和分析（Mueller 等，2005）。ADNI 是一项大规模临床项目，涵盖多中心、纵向随访，并广泛应用于 AD 早期诊断和进展研究（Petersen 等，2010）。该数据集包含丰富的结构 MRI、PET、EHR、遗传学和神经心理学评估数据。为实现模态间的时间对齐，我们……**结论** 在本文中，我们提出 DA-S²RL——一个面向异构影像-EHR 诊断建模的疾病感知共享-特异表示学习框架。DA-S²RL 的核心是 SCC，它通过跨模态语义对齐、冗余抑制和双向共享-残差精炼，将异构多模态表示组织为一致性疾病共享语义和模态特异性诊断残差。DIFFM 作为影像内融合步骤提供紧凑的……**CRediT 作者贡献声明** **王伟：** 论文初稿撰写、可视化、验证、方法学、研究。**石宇：** 验证、方法学。**程娟：** 验证、监督。**刘宇：** 论文审阅与编辑、监督、方法学、构思。**利益冲突声明** 作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。**致谢** 本工作部分由**国家自然科学基金**资助（批准号 62576132 和 U23A20294），部分由**教育部分科交叉融合突破计划**资助（批准号 JYB2025XDXM109）。本文撰写过程中使用的数据来自阿尔茨海默病神经影像计划（ADNI）数据库和国家阿尔茨海默病协调中心（NACC）。NACC 数据库由**美国**……资助。王伟|石宇|程娟|刘宇