近日，我院刘羽教授团队在阿尔茨海默病(Alzheimer’s disease，AD)智能辅助诊断方向取得系列进展。相关成果分别以“MiFAD: A multimodal image fusion-assisted diagnosis framework for early Alzheimer’s disease”和“DA-S²RL: Disease-aware shared-specific representation learning for heterogeneous image-EHR Alzheimer’s disease diagnosis”为题，发表于人工智能领域国际权威期刊《Information Fusion》（IF：17.4）和《Neural Networks》（IF：7.2）。

阿尔茨海默病具有隐匿起病、渐进性发展的特点，严重危害人类健康，早期诊断对疾病风险评估和临床管理具有重要意义。多模态信息融合能够充分利用不同医学数据所包含的互补信息，为阿尔茨海默病的准确识别提供了更加全面的诊断依据。然而，面向阿尔茨海默病的多模态辅助诊断仍面临两方面挑战：一方面，脑结构与代谢异常表现复杂，多模态影像之间互补信息难以充分挖掘；另一方面，影像学变化与临床表现之间关联复杂，不同来源的诊断信息难以有效整合。团队近期围绕“如何让多源医学证据有效互补、协同支持诊断”这一核心问题开展了系统研究，取得了如下研究成果。

1. 提出MiFAD多模态影像融合辅助诊断框架

针对磁共振成像（MRI）与正电子发射断层成像（PET）互补信息难以充分挖掘的问题，团队提出MiFAD多模态影像融合辅助诊断框架。该方法采用双分支协同学习，主分支面向疾病分类，辅助分支通过重建融合图像引入解剖结构约束，促进MRI结构信息与PET代谢信息的互补利用；并设计一致性约束机制，促使双分支聚焦于一致的疾病相关区域。同时，通过跨平面关键切片选择模块，联合轴位、冠状位和矢状位的上下文信息，筛选更具诊断价值的关键切片，减少冗余信息并缓解单一观察方向带来的偏差。在多项公开数据集上的实验表明，MiFAD在阿尔茨海默病、轻度认知障碍和正常认知状态的分类任务中取得了优于现有对比方法的识别准确率，并在多组二分类任务中展现出良好的诊断性能，为阿尔茨海默病的早期辅助诊断提供了新的技术途径。

（论文链接：https://doi.org/10.1016/j.inffus.2026.104744）

图1  MiFAD方法总体架构示意图

2. 提出DA-S²RL疾病感知共享-特异性表征学习框架

针对医学影像与电子健康记录（EHR）语义差异显著、诊断信息难以有效整合的问题，团队提出DA-S²RL疾病感知共享-特异性表征学习框架。该方法将多模态信息组织为两类诊断证据：医学影像与EHR共享的疾病相关信息和各模态特有的诊断信息，通过跨模态语义一致性约束和冗余关联抑制，在学习共同疾病线索的同时保留不同模态的特异性诊断信息；并利用SHAP方法分析不同临床症状特征在各分类任务中的贡献，为理解行为、睡眠、自主神经及躯体症状等信息的互补作用提供了模型层面的分析依据。在多项公开数据集上的实验表明，DA-S²RL的分类性能优于多种代表性多模态诊断方法，并在多次重复实验中表现出较好的稳定性，为阿尔茨海默病的多源信息协同分析与智能辅助诊断提供了新的研究思路。

（论文链接：https://doi.org/10.1016/j.neunet.2026.109760）

图2  DA-S²RL方法总体架构示意图

上述两篇论文的第一作者均为团队研究生（2024级硕士生赵心竹、2026级博士生王威），通讯作者均为刘羽教授，合肥工业大学是论文的第一完成单位。

上述研究工作得到了国家自然科学基金（62576132、U23A20294）、教育部基础学科和交叉学科突破计划（JYB2025XDXM109）等项目的资助。

（刘羽/图、文，邱龙臻/审核）