基于Transformer模型的阿尔茨海默病疾病进展预测——利用纵向访视序列

阿尔茨海默病（Alzheimer's disease，AD）是一种全球数百万人的神经退行性疾病，目前尚无已知的治愈方法。早期检测AD对于及时干预以阻止或减缓疾病进展至关重要。本研究提出一种Transformer模型，用于预测患者在下一次临床访视时的AD进展阶段，该模型基于从患者既往病史中提取的访视序列特征。我们还严格比较了我们的模型与循环神经网络（RNN），如长短期记忆网络（LSTM）、门控循环单元（GRU）和最小RNN，并根据先前访视长度和数据不平衡等因素评估其性能。我们测试了不同特征类别和访视历史的重要性，同时比较了该模型与针对时间序列优化的新型Transformer模型。我们的模型在缺失访视和缺失特征的情况下仍表现出色，尤其是在识别转化患者——即过渡到更严重疾病阶段的患者——方面，这一领域一直面临纵向预测的重大挑战。结果表明，该模型在增强早期诊断和改善患者预后方面具有潜力。