基于不规则采样纵向数据的流形映射推断阿尔茨海默病病程

临床检查的不确定性常导致纵向影像数据中观察间隔不规则, 这对疾病进程建模构成挑战。大多数现有影像基疾病预测模型在欧几里得空间中运行, 假设数据采用平坦表示, 无法充分捕捉不规则采样纵向图像的内在连续性和非线性几何结构。为解决从不规则采样的纵向结构磁共振成像(sMRI)数据建模阿尔茨海默病(AD)病程的挑战, 本文提出了Riemannine manifold mapping, 基于时间的manifold Neural ordinary differential equation, 以及基于注意力的Riemannine Gated recurrent unit(R-TNAG)框架。该方法首先将从高维sMRI中提取的特征投影到流形空间以保留疾病进程的内在几何。在该表示上, 基于时间的Neural ordinary differential equation(TNODE)建模潜在状态在观察之间的连续演化; 而基于注意力的Riemannine Gated Recurrent Unit(ARGRU)自适应整合历史和当前信息以处理不规则间隔。这种联合设计提高了时间一致性, 在不规则采样下实现稳健的AD轨迹预测。实验结果表明, 所提出的方法在疾病状态预测和认知评分回归中 consistently 优于最新模型。消融研究验证了每个模块的贡献, 强调它们在提高预测精度方面的互补作用。此外, 模型在不同序列长度和缺失数据率下表现稳定, 指示其在时间上的强大可 generalization。跨数据集验证进一步确认了其鲁棒性和在多样临床环境中的适用性。