阿尔茨海尔病预测的双模型深度学习方法
机器学习
2026-04-13 v1
摘要
阿尔茨海尔病的疾病修改疗法需要精确的时机决策，但当前的预测模型需要纵向观察且提供无不确定性量化，使其在治疗决策必须做出时刻的临床第一访问处难以实用。我们开发了PROGRESS（PRognostic Generalization from REsting Static Signatures），一种双模型深度学习框架，将单次基线脑脊液生物标志物评估转化为可操作的预后估计，而无需先前的临床历史。该框架解决两个互补的临床问题：概率轨迹网络预测个体化认知衰退并提供校准的不确定性边界，以实现诚实的预后沟通；深度生存模型估计从轻度认知功能障碍到痴呆的转化时间。使用来自National Alzheimer's Coordinating Center数据库中43个阿尔茨海尔病研究中心超过3000名受试者的数据，PROGRESS在生存预测上显著优于Cox比例风险、Random Survival Forests和梯度提升方法。风险分层识别出患者群体之间存在七倍的转化率差异，使临床有意义的治疗优先级成为可能。离散中心留检验证表明其泛化性强，尽管异构的测量条件跨越四个十年的 assay 技术，仍在 hold-out sites 上保持强大的生存判别力。通过结合卓越的生存预测与可信的轨迹不确定性量化，PROGRESS弥合了生物标志物测量与个性化临床决策之间的鸿沟。
引用
@article{arxiv.2512.19099,
title = {Dual Model Deep Learning for Alzheimer Prognostication},
author = {Alireza Moayedikia and Sara Fin and Uffe Kock Wiil},
journal= {arXiv preprint arXiv:2512.19099},
year = {2026}
}