iLENS: Interpretable LLM-Guided Mixture-of-Experts for Neuroimaging Survival Analysis

背景

阿尔茨海默病（Alzheimer's Disease, AD）是一种复杂的神经退行性疾病，持续影响着全球数百万人。在疾病的前驱阶段预测是否会转化为AD，对于理解疾病机制和优化患者护理至关重要。生存模型（survival models）被广泛用于AD风险预测，但传统方法通常是静态预测器，缺乏可解释性，也不具备自然语言推理能力。这使得临床决策支持难以兼顾高性能与透明度。

核心内容

本文提出 iLENS（Interpretable LLM-Guided Mixture-of-Experts），一个基于大型语言模型（LLM）指导的混合专家（Mixture-of-Experts, MoE）可解释框架，用于AD转化的生存预测。该框架的核心思路是：利用LLM将结构化神经影像测量数据与非结构化信息进行整合，并据此引导专家路由（expert routing）——即决定哪些专家模型负责处理当前样本。

具体而言，iLENS 框架包括以下关键组件：

• 结构化数据：来自神经影像的定量测量（如海马体积、皮层厚度等）；
• 非结构化信息：可能包括临床文本记录、影像报告等自然语言形式的数据；
• LLM 推理：LLM 负责理解并融合上述两类信息，输出可解释的路由决策，指明当前样本更适合由哪个专家子模型处理；
• MoE 结构：多个专家模型（如不同的生存预测子网络）并行存在，每个专家擅长处理某些特定亚型的患者；
• 生存预测：最终输出患者从当前前驱状态转化为AD的时间风险分布。

实验结果表明，iLENS 在预测性能上与现有方法相比具有竞争力，同时具备患者亚型划分（patient subtyping）的能力。更重要的是，该框架能够为每次路由决策提供透明、有生物学依据的解释，从而弥合高性能生存分析与可解释临床决策支持之间的鸿沟。

关键要点

• iLENS 首次将LLM与MoE结合用于神经影像生存分析，实现了结构化与非结构化数据的统一利用。
• 通过LLM引导专家路由，模型能够在不同患者亚型中自动选择最合适的专家，提升预测针对性。
• 框架同时具备生存风险预测和患者亚型划分能力，有助于理解AD进展的异质性。
• 路由决策可被解释为自然语言理由，且基于生物学测量结果，增加了临床可信度。
• 该方法在不牺牲预测性能的前提下，提供了传统黑箱生存模型所缺乏的可解释性。

意义与影响

iLENS 的提出为解决生存分析中“高性能 vs 可解释性”的长期矛盾提供了新思路。在临床场景中，医生不仅需要知道患者的风险数值，更希望理解模型做出判断的依据。iLENS 通过LLM的推理能力将影像测量值转化为可读的临床理由，有望提升模型在真实医疗实践中的接受度。此外，其患者亚型划分功能有助于实现精准医疗，将不同进展轨迹的患者区分对待。这项工作展示了LLM在医学时间事件预测中的潜力，也为后续将语言模型与多模态临床数据融合的研究奠定了基础。