分享一篇 MICCAI 上关于阿尔兹海默症（AD）精准医疗的 oral 论文。
AD 的病程监控一直是个问题。
最麻烦的地方在于每个人的脑萎缩路径都完全不一样。
比如典型的就是从内侧颞叶开始扩散，
而有的又是更多集中在大脑后部的顶叶和枕叶。
现在的模型大多是独立处理大脑各个部分，忽略了不同脑区之间的关联。
也没法很好地体现基因和病理如何在个体层面影响这种动态变化。
这篇论文提出的 DISCLOSE 框架的核心思想是：
既然疾病发展是一个动态系统，那能不能直接用常微分方程 ODE 来模拟它？
在这里的 ODE 就是一套描述脑萎缩速度和方向（从什么脑区到什么脑区）的数学建模。
DISCLOSE仅通过一次基线检查，就能学习出独属于这个人的ODE轨迹方程，从而预测未来长达 5 年以上的脑萎缩情况。
分享一下它的技术实现细节：
1️⃣ 模型输入只是两个维度的静态指标。
一个是淀粉样蛋白沉积，这是 AD 的核心病理标志，数值越高意味着脑内不溶性斑块堆积越严重，这会干扰神经元功能；
另一个是 APOE4 等位基因数量，这是公认的风险基因，决定了对淀粉样蛋白沉积的耐受度，和 AD 强相关。
2️⃣ 核心映射
利用一个MLP作为映射器，把上面这两个静态指标转换成一个特定于个体的动力学矩阵。
具体是一个维度为62x62的矩阵，它定义了大脑62个区域之间，谁是因谁是果，以及影响的强弱。
3️⃣ 轨迹输出
MLP 只需推理一次，这个矩阵会给到ODE Solver，驱动 ODE 运行。
从最开始的脑体积状态 x(0)，一个包含 62 个数字的向量，每一个数字对应一个脑区（如海马体、杏仁核等）在第一天检测时的 NP 值 （规范化百分位数，简称 NP）。
最终输出全脑 62 个区域在未来不同时间点的 NP 值。
这里简单解释下 NP 值，它代表一个人脑体积在同年龄同性别健康人群中的相对位置。数值越低，说明萎缩程度越严重。
整个流程是监督学习，所以反向传播需要跨越整个 ODE 的求解过程，以此更新 MLP。
预测轨迹与真实轨迹之间的差异用 L1 损失函数来衡量。
另外还用了两个额外的约束，具体可以看看原论文。
实验用了 ADNI 数据库里 371 个人的纵向数据做验证。
结果显示，在预测超过三年的长期轨迹时，DISCLOSE 明显优于传统的 SINDy 算法。
而且它的可解释性很强，能对应上临床直觉。
比如模型发现，在高风险组（APOE4 纯合子+高淀粉样蛋白）中，颞叶萎缩会从内侧迅速扩散到外侧，这和典型 AD 的进展模式完全吻合。
而在低淀粉样蛋白组中，模型则捕捉到了非典型的后部脑区萎缩模式。
可使用ArxivSub查阅更多论文
（注册即可获得七天全解锁体验）
ArxivSub: arxivsub.comfyai.app
LLM全英文免费教程: comfyai.app
#arxiv# #大语言模型 #每日论文 #医学影像 #多模态 #agent #医学图像 #LLM #智能体 #benchmark #AI #文献
