从MRI数据中发现异质性神经退行性疾病模式以提升预测效果

神经退行性疾病表现出显著的异质性，这使得诊断和预后判断都变得更加复杂。识别具有临床意义的亚型对于理解疾病机制至关重要，同时也能够提高诊断精度和预后预测的准确性。现有的亚型划分方法主要依赖于对患者数据进行无监督学习以捕捉个体间变异，但这类方法往往无法发现对诊断或预后具有信息价值的亚型。为了解决这一局限性，我们提出了一种新颖的专家混合（mixture-of-experts, MoE）框架，将预测建模与亚型识别相结合。不同于传统的亚型划分方法，我们的方法学习一个路由器，将个体分配给专门化的专家网络，每个专家网络对应一个不同的亚型，从而提高预测准确性。该MoE框架确保所发现的亚型不仅在统计学上彼此区分，而且在临床上也具有信息价值。我们在一个真实世界的轻度认知障碍（MCI）受试者数据集和一个半模拟数据集上对该框架进行了评估，结果表明，该框架在预测MCI受试者向阿尔茨海默病进展方面表现更优，同时能够识别出不同的、具有临床意义的MCI亚型。代码可在 https://github.com/Kateridge/MoESubtyping 获取。

从MRI数据中发现异质性神经退行性疾病模式以改进预测 | bioRxiv

跳转至主要内容

首页

关于

提交

提醒 / RSS

搜索此关键词

高级搜索

新结果

从MRI数据中发现异质性神经退行性疾病模式以改进预测

Yuanwang Zhang，

Hongming Li，

查看 Yong Fan 的 ORCID 主页

Yong Fan

doi： https://doi.org/10.64898/2026.07.10.737869

Yuanwang Zhang 宾夕法尼亚大学

在 Google Scholar 上查找该作者

在 PubMed 上查找该作者

在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。

本文依据 CC-BY-NC-ND 4.0 国际许可协议 公开提供。

返回顶部

上一篇

下一篇

发表于 2026 年 7 月 16 日。

下载 PDF

电子邮件

感谢您帮助传播 bioRxiv。

您的电子邮件

*

您的姓名

*

发送至

*

请输入多个地址，每行一个，或用逗号分隔。

您将发送以下内容的电子邮件

从MRI数据中发现异质性神经退行性疾病模式以改进预测

消息主题

（您的姓名）已从 bioRxiv 转发了一个页面给您

消息正文

（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。

您的个人消息

验证码

此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。

分享

从MRI数据中发现异质性神经退行性疾病模式以改进预测

Yuanwang Zhang，

Hongming Li，

Yong Fan

bioRxiv 2026.07.10.737869; doi： https://doi.org/10.64898/2026.07.10.737869

分享本文：

复制

引文工具

从MRI数据中发现异质性神经退行性疾病模式以改进预测

Yuanwang Zhang，

Hongming Li，

Yong Fan

bioRxiv 2026.07.10.737869; doi： https://doi.org/10.64898/2026.07.10.737869

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.10.737869v1?rss=1

🏷️ MRI影像 神经退行性疾病 阿尔茨海默病 轻度认知障碍 亚型识别 专家混合模型