🤖 machine learning

ProMUSE: Progressive Multi-modal Uncertainty-guided Staged Evidential Alzheimer Disease Classification

ProMUSE 是一种渐进式、由不确定性引导的多模态网络，它能够根据低成本临床数据，仅在必要时才自适应地引入昂贵的 MRI 或 PET 成像，在实现准确的阿尔茨海默病诊断的同时，显著降低了成像成本和资源消耗。

原作者： Long Doan, Branden Chen, Ethan Litton, Huan Huang, Jiajing Huang, Yixin Xie, Weihua Zhou, Nandakumar Narayanan, Chen Zhao

发布于 2026-06-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Long Doan, Branden Chen, Ethan Litton, Huan Huang, Jiajing Huang, Yixin Xie, Weihua Zhou, Nandakumar Narayanan, Chen Zhao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是对 ProMUSE 论文的解释，通过简单的概念和富有创意的类比进行了拆解。

核心问题： “全有或全无” 的医疗账单

想象一下，你去看医生检查是否患有某种特定的疾病。目前标准的医疗建议是：“为了 100% 确定，我们需要运行我们拥有的每一项测试。”

在阿尔茨海默病诊断领域，这些测试分别是：

临床问诊： 关于你的记忆力和健康状况的简单访谈（廉价且简便）。
MRI 扫描： 脑部结构的详细图像（昂贵）。
PET 扫描： 脑部如何运作及消耗能量的图像（非常昂贵）。

问题在于，目前旨在诊断阿尔茨海默病的多数计算机程序都假设你始终拥有这三项测试。它们强迫患者每次都要支付 MRI 和 PET 扫描的费用，即使简单的访谈已经足以给出明确答案。这就像是为了品尝一道开胃菜而买下了整顿高级美食。

解决方案：ProMUSE（聪明的侦探）

作者提出了一种名为 ProMUSE 的新系统。不要把 ProMUSE 看作一台僵化的机器，而要把它看作一名精明、注重预算的侦探。

侦探不会立即召唤昂贵的专家（MRI 和 PET），而是从最便宜、最易获取的工具开始：临床访谈。

侦探是如何工作的（阶段式方法）

ProMUSE 使用一种“渐进式”策略，意味着它只在绝对必要时才会增加工具。以下是具体步骤：

第一步：初步线索（临床数据）
侦探首先观察患者的临床数据。它会问：“我有足够的线索来破案吗？”
- “不确定性”仪表盘： 系统有一个特殊的仪表，用于测量它有多“困惑”。如果线索很清晰，仪表读数就保持在低位；如果线索模糊，仪表就会飙升。
第二步：决策点
- 如果仪表读数低（低不确定性）： 侦探说：“结案！”它仅使用廉价的临床数据做出诊断。结果： 患者节省了数千美元，因为不需要进行任何扫描。
- 如果仪表读数高（高不确定性）： 侦探说：“我不确定，我需要更多帮助。”随后它会请来下一个工具：MRI 扫描。
第三步：第二意见（MRI）
侦探将临床线索与 MRI 图像结合起来。它再次检查不确定性仪表。
- 如果现在变清晰了： 停止！诊断完成。
- 如果依然模糊： 侦探会请出最后一位最昂贵的专家：PET 扫描。
第四步：最终判决
如果系统进入了 PET 扫描阶段，它会将所有证据（临床 + MRI + PET）结合起来做出最终裁定。

核心纽带：Dempster-Shafer 理论

你可能会好奇：“侦探是如何将一次谈话、一张照片和一次代谢扫描结合起来而不产生混乱的？”

论文使用了一个数学概念——Dempster-Shafer 理论。你可以把它想象成一个**“信心搅拌器”**。

每项测试（临床、MRI、PET）都会给侦探提供一个“信念”（置信水平）和一份“不确定性”（它所不知道的部分）。
这个搅拌器将它们混合在一起。如果 MRI 与临床访谈的结果一致，置信度就会上升，不确定性就会下降。
如果各项测试结果不一致，系统就会意识到自己处于“冲突”区域，并保持高不确定性，从而促使它获取更多数据。

结果：在不损失准确性的情况下节省成本

作者在涉及数千名患者的三个主要现实世界数据集（ADNI、AIBL 和 OASIS）上测试了这个“聪明侦探”。

节省的成本： 由于系统在确信时会提前停止，它为大量患者避免了使用 MRI 和 PET 扫描。
- 在许多情况下，50% 到 90% 的患者根本不需要进行昂贵的扫描。
- 论文计算出，平均而言，每次诊断能为患者节省超过 2,300 美元。
准确性： 尽管为许多人跳过了昂贵的测试，但 ProMUSE 的准确性与那些强制要求每个人都进行所有测试的系统一样高。

总结

ProMUSE 是一种新的阿尔茨海默病诊断方式，它表现得像一个精明的购物者。它从最便宜的选项开始，只有当便宜的选项不足以确保准确时，才会“购买”昂贵的测试（MRI/PET）。

旧方法： 每次都买齐所有东西。（高成本，同样的准确性）。
ProMUSE 方法： 按需购买。（低成本，同样的准确性）。

论文得出结论，这种方法是临床实践中一种实用的、省钱的解决方案，尽管它也指出，仍需要在真实的医院环境中对人类患者进行进一步的临床测试。

技术摘要：ProMUSE

问题陈述

阿尔茨海默病（AD）的诊断日益依赖于多模态数据，包括临床评估、结构化磁共振成像（MRI）以及正电子发射断层扫描（PET）。虽然结合这些模态可以提高诊断准确性，但获取 MRI 和 PET 扫描的成本高昂（MRI 约为 558 至 910 美元，PET 约为 3,000 美元），且并非普遍可及。现有的预测模型通常假设在推理阶段具备全模态可用性，这在隐含要求为每位患者都进行昂贵的影像学检查。这种方法增加了财务和临床负担，忽视了现实医疗环境中成本和可及性等关键因素。此外，由于轻度认知障碍（MCI）具有微妙且异质性的特征，区分 MCI 患者与认知正常（CN）个体以及完全发展的 AD 患者具有极大的挑战性。

方法论

作者提出了 ProMUSE（渐进式多模态不确定性引导的分阶段证据网络），该框架旨在自适应地确定何时需要额外的模态，从而在保持诊断准确性的同时降低数据获取成本。

1. 数据表示与预处理

临床数据： 使用包含四个线性层的多层感知器（MLP）进行处理。
MRI 和 PET 数据： 表示为图结构数据（ $G = [E, X]$ $G = [E, X]$ ）。
- MRI： 使用 FreeSurfer 对脑区进行分割以提取放射组学特征（ $X_{MRI}$ ），并以空间邻近性定义边（ $E$ ）。
- PET： 使用与 MRI 相同的节点坐标以保持解剖一致性，但通过 PET 统一流水线（PUP）获取节点特征（ $X_{PET}$ ），包括体素计数和标准摄取值比（SUVR）。
- 处理： MRI 和 PET 图均使用由两个 GraphSAGE 层后接一个全连接线性层组成的图神经网络（GNN）架构进行处理。

2. 基于主观逻辑的不确定性量化

ProMUSE 采用基于狄利克雷（Dirichlet）的主观逻辑模型，独立量化每个模态的不确定性：

证据建模： 各模态的输出对数几率（logits）通过 Softplus 激活函数转换为非负证据向量。
狄利克雷参数化： 证据被映射为狄利克雷参数（ $d = e + 1$ ）。
信念与不确定性： 模型计算每个类别的信念质量（ $B$ ）和不确定性程度（ $U$ ）。不确定性被定义为未分配的概率质量，反映了证据的缺失。高质量的数据会产生更高的证据和更低的不确定性。

3. 通过 Dempster-Shafer 理论（DST）进行多模态融合

为了克服单模态输入的局限性，ProMUSE 使用 DST 融合来自多个模态的证据：

融合规则： 不同模态（例如，临床 + MRI）的信念质量和不确定性程度通过 DST 组合规则进行合并。
冲突处理： 融合过程考虑了模态之间的冲突系数（ $C$ ）。高冲突会增加不确定性，而一致的证据则会降低不确定性。
归一化： 融合后的信念质量和不确定性经过归一化处理，以确保概率一致性。

4. 分阶段获取策略

该框架以渐进式、分阶段的方式运行：

第一阶段（临床）： 模型首先分析低成本的临床数据。如果计算出的不确定性低于学习到的阈值（ $\tau_1$ ），则做出最终预测。
第二阶段（临床 + MRI）： 如果不确定性超过 $\tau_1$ ，则获取 MRI 数据并将其与临床数据进行融合。如果新的不确定性低于第二个阈值（ $\tau_2$ ），则做出预测。
第三阶段（临床 + MRI + PET）： 如果不确定性仍超过 $\tau_2$ ，则加入 PET 作为最终模态以生成预测。

阈值选择： 最优阈值（ $\tau_1, \tau_2$ ）通过数据驱动的网格搜索程序确定，以最大化验证集上的准确率。

5. 损失函数

模型使用混合损失函数进行训练：

交叉熵（Cross-Entropy）： 用于标准的分类监督。
证据损失（Evidential Loss）： 基于狄利克雷分布，以鼓励针对正确类别产生强证据。
KL 散度正则化： 防止模型为所有类别任意增加证据，并带有退火系数（ $I_r$ ）来控制训练期间的正则化强度。

核心贡献

高成本效益的框架： ProMUSE 引入了一种分阶段获取策略，优先使用廉价的临床数据，仅在不确定性较高时才选择性地纳入昂贵的影像（MRI/PET）。
不确定性引导的决策： 通过利用基于狄利克雷的主观逻辑和 Dempster-Shafer 理论，该框架显式地建模并管理不确定性，以驱动模态选择。
资源缩减： 该方法显著减少了对高成本资源的依赖，且并未损害诊断性能。
全面的评估： 该框架在三个独立数据集（ADNI, AIBL, OASIS）和三个二分类任务（CN vs. AD, CN vs. MCI, MCI vs. AD）上进行了验证。

实验结果

实验在 ADNI、AIBL 和 OASIS 数据集上进行。将 ProMUSE 与 16 种基准模型（包括 KNN、SVM、RF 以及各种深度学习架构）进行了对比。

准确率： ProMUSE 达到了与全模态基准模型相当或更优的准确率。
- ADNI： CN vs. AD 为 0.907，CN vs. MCI 为 0.810。
- AIBL： CN vs. AD 为 0.945，CN vs. MCI 为 0.889。
- OASIS： CN vs. AD 为 0.934，CN vs. MCI 为 0.990。
- 注：在 MCI vs. AD 任务中，包括 ProMUSE 在内的所有模型表现普遍较低，反映了该分类任务固有的难度。
成本节约： 分阶段策略减少了 50% 到 90% 的 MRI/PET 使用量。
- 成本分析估计，根据数据集和任务的不同，每位患者平均可节省 2,325 至 3,558 美元。
- 例如，在 ADNI 的 CN vs. AD 任务中，50% 的患者仅通过临床数据即可完成诊断，26.27% 的患者仅需临床 + MRI，从而节省了大量的影像成本。
阈值敏感性： 分析表明，较低的不确定性阈值会导致更高的模态使用率。然而，作者指出，较低的不确定性并不总是保证更高的准确率，这表明需要寻找一个最优平衡点。

重要性与声明

论文声称 ProMUSE 提供了一个实用、具备不确定性感知能力且资源高效的方案，用于现实世界的 AD 筛查。通过自适应地确定何时需要额外的模态，该框架解决了现有方法假设全模态可用性的关键局限。结果表明，可以在大幅降低数据获取财务负担的同时，保持高水平的诊断准确性。

作者明确指出，尽管结果令人鼓舞，但该框架尚未在涉及真实人类患者临床工作流的实际应用中得到验证。他们承认，要将该框架应用于日常生活仍需进一步测试，并建议未来的工作可以侧重于通过其他算法使不确定性程度更加稳健。