面向可解释长期个体化阿尔茨海默病预测的物理信息神经库仑机器
机器学习
2025-12-09 v1 人工智能
神经元与认知
定量方法
摘要
早期预测阿尔茨海默病(AD)中个体认知衰退对于疾病评估和管理至关重要。尽管已有诸多进展，但现有方法框架在保持可解释性的同时，尚未能实现对多模态数据的纵向个体化预测。为此，我们提出了神经库仑机器(NKM)，一种受动力系统和注意力机制启发的新型机器学习架构，旨在预测多个认知得分的变化，同时整合遗传、神经影像、蛋白质组和人口学等多模态数据。NKM整合了分析(α)和生物(β)知识，以引导特征分组，控制层次注意力机制以提取相关模式。通过在库仑算子框架中实现 Fusion Group-Aware Hierarchical Attention，NKM将复杂的非线性轨迹转化为可解释的线性表示。为证明NKM的有效性，我们将其应用于阿尔茨海默病神经影像计划(ADNI)数据集。我们的结果表明,NKM在预测认知衰退轨迹方面持续优于传统机器学习方法和深度学习模型。具体而言,NKM(1) 同时预测多个认知得分的变化；(2) 量化不同生物标志物对预测不同认知得分的贡献；(3)识别最具预测认知恶化意义的脑区。综上,NKM通过一种可解释、显式的系统，利用过去的多模态数据实现了AD未来认知衰退的个体化、可解释预测，并揭示了AD进展的潜在多模态生物学基础。
引用
@article{arxiv.2512.06134,
title = {Physics-Informed Neural Koopman Machine for Interpretable Longitudinal Personalized Alzheimer's Disease Forecasting},
author = {Georgi Hrusanov and Duy-Thanh Vu and Duy-Cat Can and Sophie Tascedda and Margaret Ryan and Julien Bodelet and Katarzyna Koscielska and Carsten Magnus and Oliver Y. Chén},
journal= {arXiv preprint arXiv:2512.06134},
year = {2025}
}