CERD：面向不完整模态的可解释多模态医学诊断框架

CERD提出一种处理缺失模态数据的可解释多模态诊断框架，通过条件证据重建和logit级归因分解，在模态不完整情况下重建缺失表示，并将诊断证据分解为跨模态共享确证和模态特定线索，在ADNI数据集上取得优异表现。

神经退行性疾病（如阿尔茨海默病）是多因素疾病，单一模态诊断难以全面捕捉特征，多模态建模成为趋势，但现实中模态覆盖常不完整。现有方法面对缺失模态时脆弱，且依赖组级先验、缺乏解释性，无法满足临床需求。

条件证据重建

基于受试者已有数据重建缺失模态表示，具个体化、跨模态依赖建模、保持诊断价值的优势。

证据分解与归因

通过logit级归因将诊断证据分为共享跨模态确证（多模态一致支持）和模态特定线索（单模态独有信息），提供结构化解释。

表示学习

采用深度学习学习各模态表示，编码器可处理不完整输入。

条件重建机制

利用条件生成模型，基于观测模态推断缺失模态合理表示。

Logit级归因

在logit层面分析各证据源对诊断概率的贡献，更贴近决策过程。

在ADNI数据集（含多模态神经退行性疾病数据）评估中，CERD显著优于基线方法，条件重建策略有效利用可用信息；其证据归因结构化且与临床知识对齐，符合医学专家认知。

• 提升诊断可及性：无需完整检查套件，资源受限环境也能获可靠支持。
• 增强医生信任：透明的证据分解帮助理解AI判断依据。
• 支持个性化医疗：条件重建基于患者独特数据，契合精准医疗理念。

• 重建质量评估：需深入研究重建表示的不确定性量化。
• 罕见模态缺失：关键模态缺失时的重建可靠性需额外验证。
• 跨疾病泛化：需验证在其他神经退行性疾病的适用性。

CERD是不完整模态多模态诊断领域的重要进展，兼顾高诊断准确率与结构化可解释性，ADNI实验验证其临床潜力。随着多模态医疗AI发展，这类框架将发挥重要作用。