[논문 리뷰] Multimodal normative modeling in Alzheimers Disease with introspective variational autoencoders

Sayantan Kumar, Peijie Qiu외 1명|arXiv (Cornell University)|2026. 02. 08.

Dementia and Cognitive Impairment Research인용 수 0

한 줄 요약

논문은 건강한 참조 분포에 대한 다중 모달 규범 모델링을 위한 mmSIVAE를 도입하고 MOPOE 결합을 통해 건강한 참조 충실도와 다중 모달 후방 합성을 개선하여 더 구분력이 높은 편차 점수와 해석 가능한 뇌 영역 이상을 제공합니다.

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.

연구 동기 및 목표

• 다중 모달 신경영상 데이터를 사용하여 알츠하이머병에서 건강한 참조 분포로부터 피험자 특유의 편차를 정량화한다.
• 건강한 참조의 충실도와 다중 모달 후방 통합의 강건성을 향상시킨다.
• 잠재 편차를 지역 뇌 이상과 연결하는 해석 가능한 편차 맵을 제공한다.
• AD 단계 전반에서 향상된 이상치 탐지와 임상적으로 의미 있는 패턴을 입증한다.
• 다중 모달 임상 데이터에서 편차 기반 분석에 대한 일반적 프레임워크를 제시한다.

제안 방법

• Soft-IntroVAE를 다중 모달 데이터(mmSIVAE)로 확장하고 내향적 학습 목표를 갖는mmSIVAE로서의 도입.
• 모달별 포스트eriors를 견고하게 공유 잠재공간으로 집합하기 위해 MOPOE(Mixture-of-Product-of-Experts)를 채택한다.
• 학습된 잠재공간과 특징 공간에서 Mahalanobis 거리를 사용하여 다중 모달 규범 편차 점수를 정의한다.
• 해석 가능성을 위해 유의미한 잠재 편차를 지역 특징 공간 편차로 매핑한다.
• 다중 모달 mmSIVAE에 대한 인코더–디코더 게임 이론과 Nash 균형을 제공한다.
• ADNI MRI 부피 및 아밀로이드 PET SUVR에서 재구성 품질, 이상치 탐지(가능도 비율), 및 지역 편차 맵을 평가한다.

실험 결과

연구 질문

• RQ1 mmSIVAE가 baselines와 비교했을 때 건강한 대조군에 대한 재구성 충실도를 개선하는가?
• RQ2 MOPOE 기반 잠재 공간 집합이 PoE나 MOE 단독보다 더 선명하고 정보성이 높은 공동 잠재 표현을 낳는가?
• RQ3 개별 피험자 수준의 잠재 및 특징 공간 편차 점수가 AD-스펙트럼과 대조군을 구분하는 데 더 구별력이 있는가?
• RQ4 잠재 편차를 AD 병리와 일치하는 영역 수준 이상으로 매핑할 수 있는가?
• RQ5 제안된 편차가 AD 단계 및 인지 측정치에 따라 어떻게 달라지는가?

주요 결과

• mmSIVAE with MOPOE가 다른 baselines보다 잠재 차원 전반에서 이상치 탐지에서 더 높은 구별력을 나타내는 가능도 비율이 더 높다.
• 잠재 공간 편차(D_ml)가 일반적으로 AD 피험자의 이상치 탐지에서 특징 공간 편차(D_mf)보다 더 우수하게 나타난다.
• MOPOE 집합은 특히 잠재 차원 수가 큰 경우(d 최대 20)에서 PoE나 MOE 단독보다 대조군과 AD 집단 간의 분리를 더 강하게 만든다.
• mmSIVAE의 재구성 오차가 MRI 부피와 아밀로이드 SUVR 모두에서 baselines보다 더 낮아 건강한 참조 충실도가 향상되었음을 시사한다.
• 뇌 영역에 매핑된 편차는 전측두엽·두정엽 위축 및 해마 위축 등 기존의 AD 병리와 일치하는 패턴을 보이며, 특정 영역에서의 아밀로이드 섭취 증가가 강조된다.
• 유의미한 편차를 보이는 잠재 차원은 식별 가능한 지역 편차에 대응하며 Desikan–Killiany 및 Aseg 아틀라스 전반에서 해석 가능한 편차 맵을 가능하게 한다.