用于纵向帕金森病发展预测的条件神经 ODE
机器学习
2025-11-10 v1
摘要
帕金森病 (PD) 显示出异质且随时间演化的脑形态模式。建模这些纵向轨迹有助于获得机制性见解、开发治疗方案并实现个体化的“数字孪生”预测。然而，现有方法通常采用循环神经网络和变压器架构，这些方法依赖于离散且规则采样的数据，难以处理 PD 队列中不规则且稀疏的磁共振成像 (MRI)。此外，这些方法难以捕捉个体异质性，包括疾病发作时间、发展速度和症状严重程度的变化，这是 PD 的一个标志性特征。为此，我们提出了 CNODE (Conditional Neural ODE)，一个用于连续、个体化 PD 发展预测的新框架。CNODE 的核心是将形态脑变化建模为连续时间过程，使用神经 ODE 模型。此外，我们联合学习患者特定的初始时间和进展速度，以将个体轨迹对齐到共享的发展轨迹中。我们在帕金森病进展标记器计划 (PPMI) 数据集上验证了 CNODE。实验结果表明，我们的方法在预测 PD 的纵向发展方面优于最先进的基准方法。
引用
@article{arxiv.2511.04789,
title = {Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting},
author = {Xiaoda Wang and Yuji Zhao and Kaiqiao Han and Xiao Luo and Sanne van Rooij and Jennifer Stevens and Lifang He and Liang Zhan and Yizhou Sun and Wei Wang and Carl Yang},
journal= {arXiv preprint arXiv:2511.04789},
year = {2025}
}
备注
Accepted to IEEE International Conference on Bioinformatics and Biomedicine (BIBM) 2025