评估在数据有限场景下将 TabPFN 用于轻度认知功能障碳至阿尔茨海默病转化的预测
人工智能
2026-05-21 v2
摘要
准确预测轻度认知功能障碍（MCI）至阿尔茨海默病（AD）的转化对于早期干预至关重要，但由于长期数据稀缺，开发可靠的转化预测模型一直困难重重。我们使用从ADNI数据库中派生的TADPOLE数据集，评估了TabPFN（Tabular Pre-Trained Foundation Network）在预测3年MCI至AD转化方面是否优于传统机器学习方法。采用从人口学特征、APOE4、MRI 体积、脑脊液标志物和PET成像中提取的多模态生物标志物特征，我们在不同训练集大小（N=50至1000）和包括XGBoost、随机森林、LightGBM和逻辑回归在内的多种模型之间进行了实验比较。TabPFN实现了最高的AUC（0.892），优于LightGBM（AUC=0.860），在小样本数据情境下表现出优势。当训练样本数为50时，TabPFN保持了强大的AUC，而传统机器学习模型在小样本情境下则表现不足。这些发现表明，基础模型在数据有限的场景中（如阿尔茨海默病）具有良好的疾病预测潜力。
引用
@article{arxiv.2604.27195,
title = {Evaluating TabPFN for Mild Cognitive Impairment to Alzheimer's Disease Conversion in Data Limited Settings},
author = {Brad Ye and Bulent Soykan and Gulsah Hancerliogullari Koksalmis and Hsin-Hsiung Huang and Laura J. Brattain},
journal= {arXiv preprint arXiv:2604.27195},
year = {2026}
}
备注
6 pages, 3 figures