基于缺失感知自适应融合的阿尔茨海默病主观记忆关注早期评估方法：MAFNet

《Machine Learning and Knowledge Extraction》：MAFNet: A Missing-Aware Adaptive Fusion Model for Preclinical Alzheimer’s Disease Diagnosis Under Incomplete Clinical Data

　　

摘要

主观记忆关注（SMC）是阿尔茨海默病（AD）早期评估的一个重要阶段，但由于结构磁共振成像（sMRI）的改变微妙且可能与正常衰老重叠，诊断仍然困难。多模态方法可以通过认知、遗传和人口统计学信息来补充sMRI，但它们通常假设临床测量完整并使用固定的融合策略，限制了其处理缺失变量和自适应整合异构证据的能力。我们提出了MAFNet，一种针对不完整临床数据的缺失感知自适应融合分类框架。MAFNet包含两个互补的组件。缺失感知跨模态条件插补模块（MACI）利用成像与可用临床信息之间的关联来重建缺失的临床特征，同时保留观测值。诊断路径驱动的动态融合机制（DRFM）使用状态依赖路由将成像和临床证据组织成模型内部的诊断路径，允许特征贡献在推理过程中演化。在719名ADNI受试者上进行的SMC与NC对比以及MCI与SMC对比实验，分别获得了0.8992和0.9739的平均AUC值。消融实验结果进一步证明了MACI和DRFM的有效性。