基于表格基础模型的阿尔茨海默病纵向progression预测
机器学习
2026-02-03 v2
摘要
阿尔茨海默病是一种渐进性神经退行性疾病，其多因素病因学和多模态临床数据的复杂性使其难以预测。准确预测包括诊断和量化措施在内的临床相关生物标志物对于有效监测疾病progression至关重要。本工作引入了 L2C-TabPFN 方法，该方法将纵向转跨序列（L2C）转换与预训练的表格基础模型（TabPFN）集成，用于预测阿尔茨海默病 outcomes。L2C-TabPFN 将顺序患者记录转换为固定长度的特征向量，从而实现对诊断、认知评分和心房积聚体积的稳健预测。实验结果表明，虽然 L2C-TabPFN 在诊断和认知 outcomes 上实现了可与竞争的性能，但在心房积聚体积预测方面达到了最先进水平。这一关键成像生物标志物反映了阿尔茨海默病中的神经退行性和progression。这些发现凸显了表格基础模型在阿尔茨海默病临床相关成像标志物的纵向预测中所具有的潜力。
引用
@article{arxiv.2508.17649,
title = {Longitudinal Progression Prediction of Alzheimer's Disease with Tabular Foundation Model},
author = {Yilang Ding and Jiawen Ren and Jiaying Lu and Gloria Hyunjung Kwak and Armin Iraji and Shengpu Tang and Alex Fedorov},
journal= {arXiv preprint arXiv:2508.17649},
year = {2026}
}
备注
preprint