
诸如阿尔茨海默病和癌症等复杂多因素疾病,涉及错综复杂的生物学过程。为了全面了解这些疾病,临床医生通常依赖多模态信息,例如神经影像、遗传学数据和分子生物标志物。因此,针对复杂疾病的精准医疗需要能够整合异构生物医学数据,同时保持鲁棒性、可解释性并能适应患者个体差异的计算模型。然而,许多现有的多模态临床人工智能(AI)框架因依赖静态、单一的架构,难以捕捉临床数据集中固有的异质性。此外,它们提供的个性化可解释性有限,从而制约了临床信任度与临床转化能力;许多框架也缺乏对缺失模态等真实临床场景的建模能力。为弥补这些不足,本论文阐述了推动多模态临床决策支持系统从“专家驱动”向“智能体(agentic)框架”演进的相关研究工作。
本论文将详细介绍用于精准医疗的自适应且可解释的多模态AI框架的开发过程。研究重点涵盖阿尔茨海默病诊断、生存分析以及具有泛化能力的智能体临床决策支持系统。首先,我们提出了一种多模态区域专家融合框架,将神经影像模态建模为具有解剖学意义的脑区专家。通过学习到的门控机制实现针对特定受试者的融合,结果表明该框架不仅提升了诊断性能,而且在面对模态缺失时仍保持鲁棒性,并具备直观的可解释性。其次,我们开发了一种自适应聚类生存模型,结合“专家混合(Mixture-of-Experts)”路由机制与生存亚型发现技术,对异质性的“事件发生时间(time-to-event)”结果进行建模。再次,我们提出了一种由大语言模型(LLM)引导的专家路由框架,用于可解释的生存分析,该框架既能提供针对患者的自然语言推理依据,又能提供生存亚型层面的可解释性。最后,我们引入了一种动态智能体框架,将“专家混合”推理模式扩展为针对多模态临床任务的个性化、序列化智能体/专家协同调度机制。

论文题目:Adaptive and Interpretable Multimodal AI for Precision Medicine
作者:Farica Zhuang
类型:2026年博士论文
学校:University of Pennsylvania(美国宾夕法尼亚大学)
请索引第153篇博士论文
![]() | ![]() |














内容中包含的图片若涉及版权问题,请及时与我们联系删除





评论
沙发等你来抢