预测中期阿尔茨海默病进展：根据 ADNI 临床和生物标志物历史记录 24 个月 CDR-SB 变化的残余间隙感知变压器

arXiv:2605.16319v1 公告类型：新 摘要：中期阿尔茨海默病进展预测很困难，因为未来的临床评分可能仍与基线严重程度相关，而生物标志物历史不规则且观察不完整。我们使用统一的阿尔茨海默病神经影像倡议 (ADNI) 表格对 24 个月临床痴呆评分总和 (CDR-SB) 变化进行基于锚定的分析。每个标记样本都锚定在轻度认知障碍访视上，仅使用在该锚定处或之前观察到的临床和生物标志物历史，并将响应定义为在 18--30 个月窗口内最接近 24 个月的未来访视时的 CDR-SB 减去锚定 CDR-SB。分析队列包含来自 858 名参与者的 2,600 个标记锚点和 7,276 个纵向行。我们提出了一种残差间隙感知变压器，它将混合效应统计参考与来自锚定前临床和生物标志物历史的基于变压器的残差学习相结合。该模型在混合效应参考中使用参与者级别的随机截距，对不规则历史进行观察级别的三元组标记化，以及在自注意力内学习的非负时间间隙惩罚。我们将所提出的模型与贝叶斯信息标准选择的线性混合效应基线、GRU-D 和 STraTS 在重复的参与者级训练-测试分割下进行比较。在五个参与者级别的随机种子中，所提出的模型在所有报告的指标中实现了最佳平均测试性能，相对于混合效应基线，MSE 降低了 13.1%，预测-观察相关性提高了 26.4%。它在平均误差和相关性方面也比 GRU-D 和 STraTS 有所改进。这些结果表明，统计锚定和差距感知残差学习为中期阿尔茨海默病进展预测提供了有用的结构。