Alzheimer’s病における多模態規範モデル：内省的変分自己符号化器を用いたアプローチ

arXiv:2602.08077v1 告知タイプ：新作 抜粋：規範モデルは正常な参照分布を学習し、被験者固有の逸脱を量化することで、異質性の病変効果を捉えます。Alzheimer's disease（AD）においては、多模態神経イメージングが補完的な信号を提供しますが、VAE（変分自己符号化器）に基づく規範モデルはしばしば(i)正常な参照分布を不完全に適合させ、偽陽性を増幅し、(ii)共有潜在空間での多模態融合が弱まる可能性があるポスioriア合成（例：PoE/MoE）を使用しています。私たちは、参照分布の忠実性と多模態統合を改善するために、多模態ソフト・内省的変分自己符号化器（mmSIVAE）とミックス・オブ・プロダクト・オブ・エキスパート（MOPOE）合成を組み合わせる手法を提案します。我々は潜在空間と特徴空間において学習された正常な参照分布からの距離として逸脱スコアを計算し、統計的に有意な潜在空間の逸脱を領域異常にマッピングして解釈可能性を付与します。ADNI MRI 領域容量とアミロイド PET SUVR を用いた評価において、mmSIVAE は留保された被験者における再構成精度を改善し、VAE ベースラインよりもアウトリーヤー検出のためのより鑑別性の高い逸脱スコア、および高い尤度比と制御群・AD スペクトラム被験者群間の明確な分離をもたらしました。逸脱マップは、確立された AD 関連変化と整合する領域レベルのパターンを浮き彫りにしました。より広義には、我々の結果は、規範モデルにおいて参照分布の忠実性と頑健な多模態ポスioriア合成を優先するトレーニング目標の重要性を浮き彫りにし、これが多模態臨床データにおける逸脱ベースの解析に適用される可能性を示しています。

arXiv:2602.08077v1 Announce Type: new Abstract: Normative modeling learns a healthy reference distribution and quantifies subject-specific deviations to capture heterogeneous disease effects. In Alzheimers disease (AD), multimodal neuroimaging offers complementary signals but VAE-based normative models often (i) fit the healthy reference distribution imperfectly, inflating false positives, and (ii) use posterior aggregation (e.g., PoE/MoE) that can yield weak multimodal fusion in the shared latent space. We propose mmSIVAE, a multimodal soft-introspective variational autoencoder combined with Mixture-of-Product-of-Experts (MOPOE) aggregation to improve reference fidelity and multimodal integration. We compute deviation scores in latent space and feature space as distances from the learned healthy distributions, and map statistically significant latent deviations to regional abnormalities for interpretability. On ADNI MRI regional volumes and amyloid PET SUVR, mmSIVAE improves reconstruction on held-out controls and produces more discriminative deviation scores for outlier detection than VAE baselines, with higher likelihood ratios and clearer separation between control and AD-spectrum cohorts. Deviation maps highlight region-level patterns aligned with established AD-related changes. More broadly, our results highlight the importance of training objectives that prioritize reference-distribution fidelity and robust multimodal posterior aggregation for normative modeling, with implications for deviation-based analysis across multimodal clinical data.