CoPoE：面向缺失模态阿尔茨海默诊断的可分解疾病坐标专家乘积多模态融合

arXiv 上出现论文 CoPoE，提出把阿尔茨海默病多模态证据映射到遗传风险、分子病理、神经退行和临床分期四个坐标轴组成的结构化潜空间，每个可观测模态参数化一个对角高斯专家，再用带掩码的 Product-of-Experts 只融合可用模态。在 ADNI 数据集的缺失模态实验中，CoPoE 取得全模态最佳表现，并在 15 个观测子集评估中平均 AUROC 最高，同时改善 ECE、Brier 分数和 NLL。

此前的融合方法要么合成缺失输入而引入人工替代值，要么把可用信号汇入难以解释的潜空间。CoPoE 让缺失模态不进入融合路径，从而无需在 RPNS 路径做合成填补，仍能为任意非空模态子集保留可分解的后验，并提升概率校准指标。

每个观测模态生成一个覆盖完整 RPNS 向量的对角高斯专家，Product-of-Experts 只对实际存在的模态相乘融合，缺失模态不贡献因子，因此融合结果不依赖任何生成的假数据。RPNS 四轴划分让后验可拆分到具体生物与临床维度，便于定位信号来源。

对医疗 AI 产品而言，这意味着在真实临床队列模态经常不齐时，可直接用现有模态出结果，减少对缺失数据插补管道的依赖；概率校准改善有利于风险分层和临床决策阈值设定，四轴输出便于与医生沟通结果依据。

• 在 ADNI 之外的院内多模态队列上复现 CoPoE，验证跨中心缺失模态下的 AUROC 与校准稳定性。
• 把 RPNS 四轴后验输出做成可视化报告模块，供医生查看各轴证据贡献。
• 针对仅有临床与遗传数据的低成本场景，测试 CoPoE 子集推理能否替代部分 PET 检查。
• 将掩码 Product-of-Experts 融合层封装为可复用组件，接入现有医学影像与生物标志物流水线。

• CoPoE 在非 ADNI 数据集和不同缺失模式下的泛化能力尚不明确。
• 证据摘要被截断，tau 相关信号在液体生物标志物缺失时的保留程度未完整呈现。
• 论文未说明计算成本与推理延迟，是否适合临床实时场景待确认。
• 是否已有独立复现或第三方验证结果未知。