IMA-MoE：可解释多模态专家混合框架揭示暴食症神经生物学特征

IMA-MoE是一种可解释的多模态感知专家混合架构，通过整合神经影像、行为、激素和人口统计学等多维数据，实现跨模态依赖的灵活建模。该框架在ABCD数据集上区分暴食症患者与健康对照表现优异，并揭示了性别特异性的预测模式，为暴食症的神经生物学研究提供了新视角。

暴食症的诊断困境

暴食症是全球最普遍的进食障碍，但当前诊断依赖症状描述而非生物学机制，存在早期检测困难、干预手段有限、忽视个体差异等局限。

现有研究的局限

传统研究面临假设驱动参数模型难以捕捉复杂性、单模态分析忽视跨模态作用、小样本同质性限制泛化能力等问题。

核心架构

1. Token化多模态表示：将每种测量（神经影像、行为、激素、人口统计学）编码为独立token，保留模态特性并支持灵活建模。
2. 专家混合机制：通过激活特定专家子网络实现专业化处理、稀疏激活和复杂非线性关系捕捉。
3. 模态感知路由：路由决策考虑模态来源，识别关键模态组合并适应模态缺失。

Token重要性机制

提供特征级归因、个体化解释和临床对齐的可解释性分析。

分类性能

在区分暴食症患者与健康对照任务中，IMA-MoE显著优于基线方法，表现出更高准确率、鲁棒性和泛化能力。

可解释性发现

1. 性别特异性预测模式：女性样本中激素测量贡献突出，男性样本中神经影像特征更重要。
2. 多模态协同效应：神经影像与行为指标结合体现预测价值，人口统计学变量调节其他模态重要性。

1. 精准诊断：有望开发基于生物标志物的筛查工具，实现早期检测。
2. 性别特异性干预：女性患者可获益于激素调节干预，男性患者需针对神经认知功能干预。
3. 可解释AI应用：增进疾病机制理解、指导治疗靶点发现、建立临床医生对AI的信任。

当前研究存在纵向分析缺失、因果推断不足、临床转化需验证等局限。未来需开展纵向追踪研究、结合实验验证因果关系、推进临床转化工作。

IMA-MoE代表精神健康AI领域的重要进展，不仅提升分类性能，更揭示了性别特异性预测模式等临床价值洞察，为精准精神医学提供新思路。随着多模态技术和AI方法的演进，该框架有望在更广泛神经精神疾病研究中发挥作用。