面向阿尔茨海默病疾病进展的个人化预测人工智能：方法、数据挑战与未来方向综述

阿尔茨海默病（AD）以其显著的个体间变异性为特征，其进展使准确的预后和个性化护理规划变得复杂。这种异质性凸显了对能够预测患者特定疾病轨迹的预测模型的关键需求。人工智能（AI）提供了强大的工具，以分析复杂的多模式和纵向患者数据以解决此挑战。本文提供了综合性综述，涵盖应用于个人化AD进展预测的AI方法。我们审阅了关键方法，包括用于捕捉时间动态的状态空间模型、用于序列建模的循环神经网络（RNN）、用于利用网络结构的图神经网络（GNN），以及新兴的AI驱动数字孪生体用于个体化模拟。鉴于数据限制常常阻碍进展，我们检讨了常见挑战，如高维度、缺失数据和数据集不平衡。我们进一步讨论了AI驱动的缓解策略，特别关注使用变分自编码器（VAE）和生成对抗网络（GAN）来增强和平衡数据集的合成数据生成。本综述综合了当前方法的优势与局限性，强调向多模式集成趋势的持续需求以及模型可解释性和可泛化性的不足。最后，我们确定了关键开放挑战，包括稳健的外部验证、临床集成和伦理考虑，并概述了有前景的未来研究方向，如混合模型、因果推断和联邦学习。本综述旨在归纳当前知识，指导未来在开发临床相关AI工具以实现个性化AD预后方面的努力。