iLENS：可解釋的大語言模型引導的混合專家系統用於神經影像生存分析
iLENS是一個基於大語言模型（LLM）和混合專家系統（MoE）的可解釋框架，用於預測阿爾茨海默病（AD）從前驅期向痴呆期的轉化。它整合結構化神經影像測量和非結構化資訊，透過LLM指導專家路由，不僅提供競爭性的預測效能，還能進行患者分型，併為路由決策提供透明、生物學合理的解釋，彌合了高效能生存分析與可解釋臨床決策支援之間的差距。
阿爾茨海默病（Alzheimer's Disease, AD）是一種複雜的神經退行性疾病，影響著全球數百萬人的健康和生活質量。在病程的前驅期（prodromal stage）準確預測向痴呆期的轉化，對於疾病的早期干預、治療策略制定以及患者護理具有至關重要的意義。傳統的生存分析模型雖然被廣泛用於AD風險預測，但通常作為靜態預測器存在，缺乏可解釋性，並且無法利用自然語言進行推理。為了克服這些侷限，研究者提出了iLENS——一個基於大語言模型（LLM）引導的混合專家系統（Mixture-of-Experts, MoE）的可解釋生存預測框架。
iLENS的核心創新在於利用大語言模型來融合結構化和非結構化資料，從而動態地指導多個“專家”模型的路由選擇。具體而言，結構化資料包括神經影像測量（如MRI體積、皮層厚度等），而非結構化資料則涵蓋臨床筆記、文獻知識等文本資訊。LLM透過綜合分析這些輸入，決定哪些專家模型最適合處理特定患者的資料，並生成路由決策的自然語言解釋。這種設計不僅提升了預測的準確性，還為決策過程提供了透明且生物學上合理的推理依據。
在實驗評估中，iLENS在AD轉化預測任務上展現了與最先進模型相競爭的效能。更重要的是，它能夠對患者進行有意義的亞型分型，例如區分出疾病進展速度不同的群體，從而為個性化治療提供參考。此外，iLENS為每一次路由決策提供了清晰的生物學解釋，例如指出海馬體體積萎縮、腦脊液生物標誌物變化等關鍵因素如何影響預測結果。這種可解釋性對於臨床醫生信任模型並採納其建議至關重要。
iLENS的研究成果目前已發表在arXiv上（編號：arXiv:2607.08778），並且研究團隊計劃公開相關程式碼和資料，以促進可解釋人工智慧在神經影像分析領域的進一步發展。未來的工作可能包括將iLENS擴充套件到其他神經退行性疾病（如帕金森病），以及整合更多資料模態（如基因組學或生活方式資料），以進一步提升其預測能力和臨床實用性。