基于算子学习的阿尔茨海默病患者特异性空间生物标志动力学
机器学习
2025-07-23 v1 定量方法
摘要
阿尔茨海默病（AD）是一种复杂的、多因素的神经退行性疾病，其病程和治疗反应存在显著异质性。尽管近期的治疗进步取得了一些成果，但能够准确预测个体化疾病轨迹的预测模型仍然有限。本文提出了一种基于机器学习的算子学习框架，用于AD病程的个体化建模，整合了纵向的多模态影像、生物标志物和临床数据。不同于具有预设动力学的常规模型，本方法直接学习支配amyloid、tau和神经退行性生物标志物时空演化的患者特异性病原体算子。我们采用拉普拉斯特征函数基，构建能够捕捉复杂脑部动力学的几何感知神经算子。该框架嵌入数字孪生范式，实现个体化预测、治疗干预的模拟以及体外临床试验。应用于AD临床数据后，本方法在多个生物标志物上实现了超过90%的高预测准确率，显著优于现有方法。本工作为神经退行性疾病的精准建模和个体化治疗优化提供了一个可扩展、可解释的平台。
引用
@article{arxiv.2507.16148,
title = {Learning Patient-Specific Spatial Biomarker Dynamics via Operator Learning for Alzheimer's Disease Progression},
author = {Jindong Wang and Yutong Mao and Xiao Liu and Wenrui Hao},
journal= {arXiv preprint arXiv:2507.16148},
year = {2025}
}