Модель глубокого обучения прогнозирует развитие болезни Альцгеймера с учётом неопределённости
Исследователи предложили подход к долгосрочному моделированию прогрессирования болезни Альцгеймера, который учитывает не только наиболее вероятный следующий диагноз, но и возможные траектории состояния пациента во времени вместе с оценкой неопределённости таких прогнозов. Как отмечается в работе, большинство методов глубокого обучения сводят задачу к одношаговой классификации, где состояния cognitively normal, mild cognitive impairment и dementia рассматриваются как независимые категории и почти не отражают, как накапливается неопределённость при прогнозировании будущих визитов.
Предложенная вероятностная схема объединяет ordinal‑предсказание диагноза, генерацию траекторий на нескольких горизонтах и разложение неопределённости. В модели используется кодировщик Temporal Fusion Transformer, модифицированный с помощью CORAL ordinal output layer, asymmetric loss weighting и converter oversampling, чтобы учитывать порядок стадий заболевания и повысить чувствительность к переходам от MCI к dementia.
На основе представления контекста пациента autoregressive Mixture Density Network формирует пятилетние вероятностные траектории для нескольких клинических показателей: diagnosis state, CDR Sum of Boxes, MMSE orientation и hippocampal volume. Как сообщает arXiv cs.AI (Artificial Intelligence), эксперименты проводились на наборе данных ADNI, где метод применялся для долгосрочного прогнозирования изменений состояния пациентов.
Ключевые факты
Препринт «Uncertainty-Aware Longitudinal Forecasting of Alzheimer's Disease Progression Using Deep Learning» опубликован на arXiv как arXiv:2606.24604v1.
Предложена вероятностная модель, объединяющая порядковое предсказание диагноза, генерацию многогоризонтных траекторий и разложение неопределенности прогноза.
Энкодер Temporal Fusion Transformer модифицирован слоем CORAL для порядкового вывода, асимметричным взвешиванием функции потерь и oversampling конвертеров для повышения чувствительности к переходу от MCI к деменции.
Авторегрессионная Mixture Density Network генерирует вероятностные траектории на пять лет для состояния диагноза, CDR Sum of Boxes, MMSE orientation и объема гиппокампа; эксперименты проводятся на датасете ADNI.