用于脑 MRI 时空预测的多模态条件潜在扩散模型

基于摘要分析。研究面向阿尔茨海默病（AD）进展中的三维脑解剖变化预测，提出 Multimodal-Conditioned Latent Diffusion Model（MC-LDM），利用训练期的多模态生物标志物监督生成患者特异性的未来脑 MRI，同时减少推理时对额外检查的依赖。 方法以 Latent Diffusion Model（LDM）为基础，通过 Low-Rank Adaptation（LoRA）微调以支持数据高效学习。训练使用 MRI、tau-PET、Clinical Dementia Rating（CDR）及 APOE4；推理仅依赖基线 MRI、APOE4 和患者元数据。辅助预测器从 MRI 特征及患者协变量估计未观测的多模态生物标志物，再用于扩散模型条件控制，核心思路是将分子与临床信息引入疾病轨迹建模，而非要求部署时获取全部训练模态。预测器的具体结构、训练目标及与扩散模型的联合方式尚未验证。 作者报告，模型使用 Alzheimer's Disease Neuroimaging Initiative（ADNI）中 852 名被试的 1,355 次访视训练，在含 664 次访视的独立测试集上，平均区域体积 MAE 相比表现次优的基线降低 18%。这一结果针对区域体积误差，不能直接等同于图像保真度、个体病程预测可靠性或临床效用。测试集被试数、训练与测试的被试隔离方式、预测时间跨度、基线配置、消融及统计信息尚未验证。作者称这是首个利用多模态先验进行 MRI 预测的扩散框架，该优先性声明尚未独立核实。 该研究的主要对象是 AD 结构性脑 MRI 预测，不是 EEG 解码或 BCI 算法。材料不足以建立具体的 EEG/BCI 迁移路径，因此不将其结果外推为神经信号任务的性能证据。摘要提供了代码仓库，但实现完整性、数据预处理与复现条件尚未核验。