
-
生物通官微
陪你抓住生命科技
跳动的脉搏
HoloDx:基于知识和数据的多模态阿尔茨海默病诊断方法
《IEEE Transactions on Materials for Electron Devices》:HoloDx: Knowledge- and Data-Driven Multimodal Diagnosis of Alzheimer’s Disease
【字体: 大 中 小 】 时间:2026年01月06日 来源:IEEE Transactions on Materials for Electron Devices
编辑推荐:
HoloDx框架通过知识注入模块和记忆注入模块整合多模态临床数据与领域知识,提升阿尔茨海默病早期诊断的准确性和可解释性,实验表明其优于现有方法。
阿尔茨海默病(AD)是一种进行性神经退行性疾病,会导致记忆丧失、认知能力下降,最终丧失独立生活能力。准确诊断AD对于制定适当的治疗策略、规划未来的护理以及为患者及其家庭提供支持至关重要。最近在被动免疫疗法(如Lecanemab和Donanemab)方面的进展[1]、[2]、[3]、[4]显示出针对AD病理特征——淀粉样β斑块的潜力。然而,由于临床症状微妙且与正常衰老过程存在重叠,特别是在早期阶段诊断AD仍然具有挑战性。传统的诊断方法通常依赖于单模态数据(如神经影像学或临床评估),难以捕捉到这些细微的变化[5]、[6]。为了解决这些限制,多模态学习因其能够整合多种数据源(如神经影像学、临床记录和遗传信息)而受到关注,从而提供了对AD早期病理变化的更全面视角[7]、[8]、[9]、[10]。尽管数据驱动的方法具有潜力,但仍存在重大挑战:1)数据偏见,即这些方法侧重于常见模式,而常常忽略罕见和非典型病例;2)缺乏可解释性,因为许多模型像不透明的黑盒一样运作,难以追踪因果关系并确保可靠性。这些限制阻碍了现有计算机辅助诊断(CAD)系统的一致性、鲁棒性和可信度。如图1所示,解决这些缺陷需要一种协同范式,即将多模态数据驱动模型的优势与领域知识相结合,从而在AD及其早期诊断的背景下提高可解释性、可靠性和泛化能力。
我们提出的计算机辅助整体诊断(HoloDx)系统的示意图。(A) 传统方法依赖于预定义的知识图谱,这些图谱受到人工策划的限制且更新缓慢。(B) 我们的框架将大型语言模型(LLM)生成的一般医学知识与医院的专家知识相结合,并将其注入到多模态数据驱动系统中,以实现适应性诊断。