Accurate and Interpretable Postmenstrual Age Prediction via Multimodal Large Language Model

文章主要内容和创新点

主要内容

本文旨在解决新生儿月经后年龄（PMA）预测中准确性与可解释性的双重挑战。研究基于多模态大型语言模型（MLLM）Qwen2.5-VL-7B，通过参数高效微调（PEFT）策略（结合指令微调与低秩适应LoRA），利用新生儿脑部MRI衍生的4种2D皮质表面投影图（皮质厚度、曲率、髓鞘化、沟深）进行PMA预测。训练阶段专注于回归任务以保证准确性，推理阶段通过特定提示生成基于神经发育特征的临床解释。实验结果显示，模型预测误差较低（MAE=1.10周，95% CI：0.78–1.52周），且解释符合临床逻辑，经临床医生评估具有较高实用性。

创新点

1. 适配MLLM至专业医学回归任务：通过LoRA-based PEFT策略，将通用多模态大模型Qwen2.5-VL-7B适配于PMA预测这一特定医学回归任务，避免全量微调的计算负担与灾难性遗忘。
2. 分离训练与推理目标的指令微调：设计差异化提示（训练时专注数值预测，推理时生成解释），使模型在保证预测准确性的同时，能零样本生成基于MRI特征的临床解释。
3. 平衡准确性与可解释性：在接近现有领域最优模型精度的同时，首次实现PMA预测的临床可解释性，增强AI系统在围产期神经科学中的透明度与可信度，且经临床用户研究验证。

翻译部分

摘要

准确估算扫描时的月经后年龄（PMA）对评估