摘要
轻度认知障碍（MCI）是认知衰退的早期阶段，常常是阿尔茨海默病的前兆。然而，从神经心理绘图测试中自动检测MCI面临数据稀缺、类别不平衡和临床边界模糊等根本性限制。现有方法试图通过计算成本高昂的完全微调混合架构来绕过这些限制，但这往往将空间可解释性降级到事后近似，而不是内在的模型属性。
我们提出了一种参数高效的框架，利用冻结的DINOv2-Small模型，通过三个特定模态的可学习提示令牌进行调整，操作时仅使用119万可训练参数。每个令牌作为共享跨注意力层上的查询，针对源图像补丁令牌进行处理。重要的是，空间可解释性直接通过这些注意力图实现，作为架构的结构性结果。随后，任务条件嵌入通过注意力模块融合，以量化每个受试者的模态级重要性。
为了解决边界模糊问题，我们引入了一种适应MoCA的焦点损失，将连续认知评分整合到训练目标、损失调制和自适应样本加权中，严格推广了标准软标签方法。在分层五折交叉验证下，所提出的架构在MCI类别的F1得分为0.641，AUC为0.795，超越了计算更重的ResViT基准，F1得分提高了0.110。
博主点评： 该研究不仅展示了如何通过高效的参数调优在资源有限的情况下实现MCI筛查，还通过引入自适应焦点损失提升了模型的可解释性，为未来的临床应用提供了重要的参考。