[論文レビュー] Multimodal normative modeling in Alzheimers Disease with introspective variational autoencoders

Sayantan Kumar, Peijie Qiu+1 more|arXiv (Cornell University)|Feb 8, 2026

Dementia and Cognitive Impairment Research被引用数 0

ひとこと要約

論文はmmSIVAE（多模態ソフト内省型VAE）とMOPOE統合を提案し、健全参照の忠実度とノルムモデリングの多模態融合を改善して、より識別性の高い逸脱スコアと解釈可能な領域異常を生じさせる。

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.

研究の動機と目的

• アルツハイマー病における多模态神経画像データを用いて健全参照分布から被験者固有の逸脱を定量化する。
• 健全参照の忠実度と多模态後部の統合の頑健性を向上させる。
• 潜在的逸脱を地域脳異常と結びつける解釈可能な逸脱マップを提供する。
• ADの段階全体でのアウトライア検出の改善と臨床的に意味のあるパターンを示す。
• 多模态臨床データにおける逸脱ベースの分析の一般的フレームワークを提供する。

提案手法

• Soft-IntroVAEを多模态データ（mmSIVAE）へ拡張し、内省的学習目的を導入する。
• MOPOE（Mixture-of-Product-of-Experts）を採用し、モダリティ固有の後部を共有潜在空間へ頑健に統合する。
• 学習された潜在空間と特徴空間のいずれにおいてもマハラノビス距離を用いて多模态ノormative逸脱スコアを定義する。
• 重要な潜在逸脱を解釈性のある地域特徴空間の逸脱へマッピングする。
• エンコーダ-デコーダのゲームと多模态mmSIVAEのナッシュ均衡に関する理論を提供する。
• ADNIのMRI体積とアミロイドPETのSUVRに対して再構成品質、アウトライア検出（尤度比）、地域逸脱マップを評価する。

実験結果

リサーチクエスチョン

• RQ1 mmSIVAEはベースラインと比較して健全な対照群の再構成忠実度を改善するか。
• RQ2 MOPOEベースの潜在空間統合はPoEやMoE単独より鋭く情報量の多い結合潜在表現を生み出すか。
• RQ3 被験者ごとの潜在及び特徴空間逸脱スコアはADスペクトラムと対照群を区別するのにより識別的か。
• RQ4 潜在逸脱をAD病変と一致する地域レベルの異常へマッピングできるか。
• RQ5 提案された逸脱はAD段階や認知指標を跨いでどう変動するか。

主な発見

• MOPOEを用いたmmSIVAEは、 latent次元全体でベースラインよりアウトライア検出の識別性が高い（尤度比が高い）。
• 潜在空間逸脱（D_ml）は、AD被験者のアウトライア検出において特徴空間逸脱（D_mf）を概ね上回る。
• MOPOE統合はPoEまたはMOE単独よりコントロール群とAD群の分離を強く促進し、特に高次元潜在表現（dが最大20）で顕著。
• mmSIVAEの再構成誤差はMRI体積とアミロイドSUVRの両方でベースラインより小さく、健全参照の忠実度が改善。
• 地域にマッピングされた逸脱は既存のAD病理と一致するパターンを示す（側頭葉・頭頂葉・海馬の萎縮、 predefined領域でのアミロイド取り込みの強調）。
• 有意な逸脱を持つ潜在次元は識別可能な地域逸脱へ対応しており、Desikan–KillianyおよびAsegアトラス全体で解釈可能な逸脱マップを実現。