iLENS：可解释的大语言模型引导的混合专家系统用于神经影像生存分析
iLENS是一个基于大语言模型（LLM）和混合专家系统（MoE）的可解释框架，用于预测阿尔茨海默病（AD）从前驱期向痴呆期的转化。它整合结构化神经影像测量和非结构化信息，通过LLM指导专家路由，不仅提供竞争性的预测性能，还能进行患者分型，并为路由决策提供透明、生物学合理的解释，弥合了高性能生存分析与可解释临床决策支持之间的差距。
阿尔茨海默病（Alzheimer's Disease, AD）是一种复杂的神经退行性疾病，影响着全球数百万人的健康和生活质量。在病程的前驱期（prodromal stage）准确预测向痴呆期的转化，对于疾病的早期干预、治疗策略制定以及患者护理具有至关重要的意义。传统的生存分析模型虽然被广泛用于AD风险预测，但通常作为静态预测器存在，缺乏可解释性，并且无法利用自然语言进行推理。为了克服这些局限，研究者提出了iLENS——一个基于大语言模型（LLM）引导的混合专家系统（Mixture-of-Experts, MoE）的可解释生存预测框架。
iLENS的核心创新在于利用大语言模型来融合结构化和非结构化数据，从而动态地指导多个“专家”模型的路由选择。具体而言，结构化数据包括神经影像测量（如MRI体积、皮层厚度等），而非结构化数据则涵盖临床笔记、文献知识等文本信息。LLM通过综合分析这些输入，决定哪些专家模型最适合处理特定患者的数据，并生成路由决策的自然语言解释。这种设计不仅提升了预测的准确性，还为决策过程提供了透明且生物学上合理的推理依据。
在实验评估中，iLENS在AD转化预测任务上展现了与最先进模型相竞争的性能。更重要的是，它能够对患者进行有意义的亚型分型，例如区分出疾病进展速度不同的群体，从而为个性化治疗提供参考。此外，iLENS为每一次路由决策提供了清晰的生物学解释，例如指出海马体体积萎缩、脑脊液生物标志物变化等关键因素如何影响预测结果。这种可解释性对于临床医生信任模型并采纳其建议至关重要。
iLENS的研究成果目前已发表在arXiv上（编号：arXiv:2607.08778），并且研究团队计划公开相关代码和数据，以促进可解释人工智能在神经影像分析领域的进一步发展。未来的工作可能包括将iLENS扩展到其他神经退行性疾病（如帕金森病），以及整合更多数据模态（如基因组学或生活方式数据），以进一步提升其预测能力和临床实用性。