CAMOS: Coupled Oscillatory State-Space Model for Multimodal Clinical Time-Series
作者: Maxx Richard Rahman, Mostafa Hammouda, Wolfgang Maass
分类: stat.ML, cs.AI
发布日期: 2026-09-30
💡 一句话要点
提出CAMOS以解决多模态临床时间序列数据缺失问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态数据 临床时间序列 状态空间模型 耦合振荡器 缺失数据处理 机器学习 临床预测 数据融合
📋 核心要点
- 现有线性状态空间模型在处理多模态临床数据时，无法有效应对缺失模态的问题，导致信息损失和模型性能下降。
- CAMOS通过为每个模态引入耦合的二阶振荡器，并使转移算子依赖于可用性，解决了缺失模态对模型的影响。
- 实验结果显示，CAMOS在ADNI数据集上在多项任务中均优于传统模型，尤其在零样本迁移到OASIS-3时表现突出。
📝 摘要（中文）
纵向临床队列通常是多模态的，采样不规则且普遍不完整。在ADNI中，正电子发射断层扫描和脑脊液检测在大约一半的访问中缺失。线性状态空间模型优雅地处理不规则采样，但对缺失模态仅通过掩蔽输入来处理，未能调整转移算子。我们证明了这一点的表征限制：任何线性状态空间层的潜在状态都是可用性指标的加性函数，因此无法表示两个模态共同存在或共同缺失的交互。我们提出了CAMOS，为每个模态提供一组通过可用性门控的耦合二阶振荡器，从而使转移算子本身成为测量可用性的函数。在ADNI上，CAMOS在同访阶段、地标预测和纵向预测方面优于耦合振荡状态空间模型和临床融合模型。
🔬 方法详解
问题定义：论文旨在解决多模态临床时间序列数据中缺失模态对模型性能的影响。现有的线性状态空间模型在处理缺失模态时仅通过掩蔽输入，未能调整转移算子，导致表征能力不足。
核心思路：CAMOS的核心思想是为每个模态引入一组耦合的二阶振荡器，并通过可用性门控使转移算子成为可用性模式的函数，从而能够更好地捕捉模态间的交互关系。
技术框架：CAMOS的整体架构包括多个耦合的振荡器，每个模态对应一个振荡器组，振荡器之间通过一个矩阵耦合，转移算子根据可用性动态调整。
关键创新：CAMOS的主要创新在于引入耦合振荡器模型，使得转移算子能够根据可用性模式进行调整，从而克服了传统模型的表征限制，能够有效表示模态间的交互。
关键设计：在模型设计中，采用了每通道的Gershgorin预算，使得有效刚度在所有可用性模式下均为正定，同时通过能量论证将放大归因于可用性转变，而非序列长度，确保了模型的稳定性和准确性。
🖼️ 关键图片
📊 实验亮点
在ADNI数据集上的实验结果显示，CAMOS在同访阶段、地标预测和纵向预测任务中均优于耦合振荡状态空间模型和临床融合模型，尤其在零样本迁移到OASIS-3时，CAMOS是唯一避免模型崩溃到多数类的模型，显示出显著的性能提升。
🎯 应用场景
该研究的潜在应用场景包括临床数据分析、疾病预测和个性化医疗等领域。CAMOS模型能够有效处理多模态数据的缺失问题，提升临床决策支持系统的准确性和可靠性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Longitudinal clinical cohorts are multimodal, irregularly sampled and pervasively incomplete: in ADNI, positron emission tomography and cerebrospinal fluid assays are absent from roughly half of all visits. Linear state-space models handle irregular sampling gracefully but treat a missing modality by masking the input, leaving the transition operator untouched. We prove that this is a representational limitation: the latent state of any linear state-space layer whose transition operator does not depend on the availability pattern is an additive function of the availability indicators, so no such layer can represent an interaction between two modalities being jointly present or jointly absent. We propose CAMOS, which gives each modality a bank of second-order oscillators coupled through a matrix that sits inside the differential equation and is gated by availability, so the transition operator itself becomes a function of which measurements were taken. Coupling invalidates the analysis of uncoupled oscillatory models, and we restore it: a per-channel Gershgorin budget makes the effective stiffness positive definite uniformly over all $2^M$ availability patterns and all gaps, an energy argument charges amplification to availability transitions rather than sequence length, and a channel factorization preserves exact associative parallel scans. On ADNI, CAMOS outperforms uncoupled oscillatory state-space models and clinical fusion models on same-visit staging, landmark prediction and longitudinal forecasting, and under zero-shot transfer to OASIS-3 it is the only model that avoids collapse to the majority class.