用于阿尔茨海默病进展个体化预测的深层循环模型

阿尔茨海默病（AD）是痴呆的主要病因之一，其特征是数年缓慢进展，且无治疗方法或可用药物。为此，人们一直努力在其最早阶段识别患 AD 的风险。尽管许多先前工作考虑横断面分析，但近期研究聚焦于利用纵向或时间序列数据通过疾病进展建模（DPM）方式进行 AD 的诊断与预后。在相同问题设定下，本文提出一种新颖的计算框架，可预测 MRI 生物标志物的表型测量值以及多个未来时间点的临床状态和认知评分的轨迹。然而，在处理时间序列数据时，通常会面临许多意外的缺失观测。针对这种不利情况，我们定义了估计这些缺失值的二级问题，并通过考虑时间序列数据固有的时间性与多变量关系以系统化方式解决。具体而言，我们提出一种深层循环网络，联合解决四个问题：（i）缺失值填补，（ii）表型测量预测，（iii）认知评分轨迹估计，以及（iv）基于受试者纵向影像生物标志物的临床状态预测。值得注意的是，我们网络的可学习模型参数通过精心定义的损失函数以端到端方式训练。在 TADPOLE 挑战队列的实验中，我们度量了多种指标的性能，并将我们的方法与文献中的竞争方法比较。还进行了详尽分析与消融研究以更好确认方法的有效性。