TEMPO：用于从横断面数据推断时序疾病进展的 Transformer 模型
机器学习
2026-04-28 v1
摘要
事件基模型（EBMs）通常仅将生物标志物进展推断为有序序列，并依赖刚性模型假设。我们提出了 \textsc{Tempo}，一种能够通过基于仿真的监督学习学习有序和连续事件序列的 Transformer 架构。\textsc{Tempo} 使用两个 Transformer 模块：一个将生物标志物视为标记，用于推断事件序列；另一个将患者视为标记，每个患者由其针对每个生物标志物的异常概况表示，用于推断患者的疾病阶段。在合成基准测试中，\textsc{Tempo} 比最先进的 SA-EBM 减少归一化 Kendall's Tau 距离降低 52.89%，分期均方根误差降低 25.33%，在高维设置下分别降低 58.88% 和 61.10%。应用于 ADNI，\textsc{Tempo} 恢复了生物学上合理的阿尔茨海默病进展：早期出现 medial temporal 萎缩，随后发生淀粉样蛋白积累和认知功能下降，晚期出现 tau 病理伴随全身神经退行性加速 —— 与既定疾病模型基本一致。\textsc{Tempo} 还消除了需推导自定义推断算法的需求，并可实现对生成性假设的快速经验比较。
引用
@article{arxiv.2604.23368,
title = {TEMPO: Transformers for Temporal Disease Progression from Cross-Sectional Data},
author = {Hongtao Hao and Joseph L. Austerweil},
journal= {arXiv preprint arXiv:2604.23368},
year = {2026}
}
备注
31 pages; Published at Conference on Health, Inference, and Learning (CHIL) 2026