Multi-task longitudinal forecasting with missing values on Alzheimer's Disease
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；University of Eastern Finland（东芬兰大学）
通常应用于痴呆预测的机器学习技术缺乏联合学习多个任务、处理时间依赖的异构数据和缺失值的能力。在本文中，我们提出了一个框架，使用最近提出的SHIBA模型，共同学习不同的任务上的纵向数据缺失值。该方法使用贝叶斯变分推断来填补缺失值，并结合多个视图的信息。通过这种方式，我们可以将来自不同时间点的不同数据视图组合在一个公共的潜在空间中，并学习每个时间点之间的关系，同时对多个输出变量进行建模和预测。我们应用这个模型来预测痴呆症的诊断，脑室容积和临床评分。结果表明，SSHIBA能够学习一个很好的填补缺失值和优于基线，同时预测三个不同的任务。
2022-01-13 cs.LG stat.ML
Forecasting Disease Trajectories in Alzheimer's Disease Using Deep Learning
University of Oxford（牛津大学）；Alan Turing Institute（艾伦·图灵研究所）
纵向数据和事件发生时间数据的联合模型通常用于纵向研究，以预测疾病随时间的变化轨迹。尽管联合建模有许多优点，但标准形式在应用于大型数据集时受到固定模型规范和计算困难的限制。我们采用深度学习方法来解决这些限制，利用深度神经网络的灵活性和可扩展性增强现有方法，同时保留联合建模的优点。使用来自阿尔茨海默病神经影像研究所的数据，我们显示了与传统方法相比在性能和可扩展性方面的改进。
2018-07-06 cs.LG stat.ML
Learning the progression and clinical subtypes of Alzheimer's disease from longitudinal clinical data
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；National Institutes of Health（美国国立卫生研究院）
阿尔茨海默病（AD）是一种退行性脑部疾病，损害人进行日常活动的能力。阿尔茨海默病的临床表现的特征在于年龄、疾病跨度、进展速度、记忆和认知能力的损害的异质性。由于这些可变性，个性化的护理和治疗计划，以及对他们的个人进展的患者咨询是有限的。机器学习在复杂多维数据集中检测隐藏模式的最新发展为解决这一关键需求提供了重要机会。在这项工作中，我们使用无监督和监督机器学习方法进行亚型识别和预测。我们将机器学习方法应用于阿尔茨海默病神经成像倡议（ADNI）数据集的广泛临床观察，以识别患者亚型并预测疾病进展。我们的分析描绘了阿尔茨海默病的进展空间，分为低，中，高疾病进展区。拟议的工作将能够根据临床异质性早期检测和表征不同的疾病亚型。我们预计，我们的模型将使患者咨询，临床试验设计，并最终个性化的临床护理。
2018-12-06 cs.LG q-bio.QM stat.ML
Leveraging Social Determinants of Health in Alzheimer's Research Using LLM-Augmented Literature Mining and Knowledge Graphs
Arizona State University（亚利桑那州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Cedars Sinai Medical Center（西达赛奈医疗中心）
针对健康社会决定因素（SDoH）与阿尔茨海默病（AD）关系机制不明的问题，本研究提出LLM增强的文献挖掘与知识图谱整合框架，通过挖掘SDoH知识并与PrimeKG的AD生物实体结合，经图神经网络链接预测验证，为AD及其他SDoH相关研究提供知识发现新工具。
2025-04-16 cs.AI cs.CL cs.CY
Transition-Based Digital Twin Modelling for Alzheimer's Disease under Sparse Longitudinal Data
University of Southampton（南安普顿大学）；University Hospital Southampton NHS Foundation Trust（南安普顿大学医院NHS基金会信托）；Faculty of Medicine, University of Southampton（南安普顿大学医学院）
针对阿尔茨海默病进展异质性和数据稀疏问题，提出结合局部转换建模与序列建模的数字孪生框架，利用多模态纵向数据预测认知状态并量化不确定性，在ADNI数据上表现优异。
2026-06-08 cs.AI cs.LG
MMAP: Multimodal Missing-Aware Pretraining for Longitudinal Alzheimer's Prediction
Imperial College London（伦敦帝国理工学院）；FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Rosalind Franklin Institute（罗莎琳德·富兰克林研究所）
针对医学数据中模态缺失和不完整表格数据问题，提出MMAP多模态缺失感知预训练方法，通过sigmoid对比学习与生成式重建及缺失令牌生成器学习图像-表格表征，在阿尔茨海默病纵向预测任务上优于强基线。
2026-11-05 cs.CV cs.LG
Transformer Model for Alzheimer's Disease Progression Prediction Using Longitudinal Visit Sequences
Oakland University（奥克兰大学）
本文提出一种基于Transformer的模型，利用纵向就诊序列预测阿尔茨海默病进展阶段，并在缺失数据条件下优于LSTM、GRU等RNN基线，尤其在识别向更严重阶段转化的患者方面表现突出。
2025-07-05 cs.AI cs.CV cs.LG
DeepAtrophy: Teaching a Neural Network to Differentiate Progressive Changes from Noise on Longitudinal MRI in Alzheimer's Disease
University of Pennsylvania（宾夕法尼亚大学）；Lund University（隆德大学）
源自纵向MRI的体积变化测量（例如，海马萎缩）是阿尔茨海默病（AD）中疾病进展的充分研究的生物标志物，并且在临床试验中用于跟踪疾病改善治疗的治疗功效。然而，纵向MRI变化测量可能会受到非生物因素的干扰，例如不同程度的头部运动和成对MRI扫描之间的敏感性伪影。我们假设直接应用于纵向MRI扫描对的深度学习方法可以被训练成比基于可变形图像配准的传统方法更好地区分生物变化和非生物因素。为了实现这一点，我们做了一个简单的假设，即生物因素与时间相关（即海马体随着年龄的增长而缩小），而非生物因素与时间无关。然后，我们制定了深度学习网络，以推断以任意顺序输入到网络的相同主题MRI扫描的时间顺序;以及推断两对相同主题MRI扫描的扫描间隔之间的比率。在测试数据集中，这些网络在时间排序（89.3%）和扫描间间隔推断（86.1%）的任务中比最先进的基于变形的形态测量方法ALOHA（分别为76.6%和76.1%）表现更好（Das等人，2012年）。此外，我们从网络中获得了疾病进展评分，该评分能够在一年内检测58名临床前AD和75名β-淀粉样蛋白阴性认知正常个体之间的组差异，而ALOHA为两年。这表明，可以训练深度学习来区分由于生物因素（组织损失）引起的MRI变化与由于非生物因素引起的变化，从而产生对AD最早阶段的纵向变化更敏感的新型生物标志物。
2020-10-24 cs.LG eess.IV q-bio.NC
HiMAL: A Multimodal Hierarchical Multi-task Auxiliary Learning framework for predicting and explaining Alzheimer disease progression
McKelvey School of Engineering（麦凯尔维工程学院）；School of Medicine（医学院）
HiMAL通过多模态分层多任务学习框架，预测和解释MCI患者向AD进展的风险，展现高预测性能和临床应用潜力。
2024-05-06 cs.LG
Spatio-Temporal Graph Deep Learning with Stochastic Differential Equations for Uncovering Alzheimer's Disease Progression
本文提出基于随机微分方程的时空图深度学习方法，用于预测阿尔茨海默病进展，识别关键脑区异常及生物标志物。
2026-01-04 cs.AI cs.LG
DiGAN: Diffusion-Guided Attention Network for Early Alzheimer's Disease Detection
DiGAN通过结合扩散建模与注意力卷积网络，有效提升了早期阿尔茨海默病检测的准确性与鲁棒性。
2026-02-06 cs.AI cs.CV cs.LG
Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning
China University of Petroleum-Beijing at Karamay（中国石油大学（北京）克拉玛依校区）；China University of Petroleum（中国石油大学）
本研究基于ADNI数据集，采用随机森林填补缺失数据等预处理策略，通过Spearman相关系数筛选特征，构建并对比了随机森林、XGBoost和SVM三种模型，发现XGBoost诊断准确率达91%，为阿尔茨海默病早期检测提供了有效方法。
2024-02-13 cs.LG stat.AP
Physics-Informed Neural Koopman Machine for Interpretable Longitudinal Personalized Alzheimer's Disease Forecasting
Platform of Bioinformatics (PBI), University Lausanne Hospital (CHUV) and Faculty of Biology and Medicine (FBM), University of Lausanne (UNIL)（生物信息平台（PBI）、日内瓦大学医院（CHUV）和生物医学学院（FBM）、日内瓦大学（UNIL））；PBI, CHUV and FBM, UNIL（PBI、CHUV和FBM、UNIL）；Department of Biomedical Engineering, University of Basel（生物医学工程系、巴塞尔大学）；Roche Diagnostics International Ltd.（罗氏诊断国际有限公司）；F. Hoffmann - La Roche Ltd., Roche Information Solutions（F. Hoffmann-La Roche有限公司、罗氏信息解决方案）
本文提出神经Koopman机，通过整合多模态数据和生物学知识，实现阿尔茨海默病认知下降的可解释性预测。
2025-12-05 cs.AI cs.LG q-bio.NC
Preclinical Stage Alzheimer's Disease Detection Using Magnetic Resonance Image Scans
Syracuse University（雪城大学）；SUNY Upstate Medical University（纽约州立大学北部医科大学）
阿尔茨海默病是主要影响老年人而不是衰老的疾病之一。最常见的症状包括沟通和抽象思维的问题，以及方向感障碍。重要的是要在早期发现阿尔茨海默病，以便通过药物和训练改善认知功能。在本文中，我们提出了两个注意力模型网络，用于从MRI图像中检测阿尔茨海默病，以帮助临床前阶段的早期检测工作。我们还比较了这两个注意力网络模型与基线模型的性能。最近可用的OASIS-3纵向神经成像，临床和认知数据集用于训练，评估和比较我们的模型。这项研究的新颖之处在于，我们的目标是在所有参数、身体评估和临床数据都表明患者健康且没有症状的情况下检测阿尔茨海默病。
2020-11-28 cs.LG eess.IV
Dual Model Deep Learning for Alzheimer Prognostication
Swinburne University of Technology（斯威本科技大学）；Monash University（莫纳什大学）；University of Southern Denmark（南丹麦大学）
本文提出PROGRESS双模型深度学习框架，通过单次基线脑脊液生物标志物评估实现精准预后估计，优于传统生存预测方法，提升临床决策可信度。
2025-12-22 cs.LG
Learning the irreversible progression trajectory of Alzheimer's disease
Purdue University（普渡大学）；Indiana University（印第安纳大学）
针对阿尔茨海默病纵向预测中风险评分波动违反不可逆性的问题，本文提出一种单调性约束正则化方法，在ADNI纵向MRI和PET数据上同时提升了风险进展捕捉能力和预测准确性。
2024-08-30 cs.LG eess.IV
Comparing Data-mining Algorithms Developed for Longitudinal Observational Databases
University of Nottingham（诺丁汉大学）；Nottingham City Hospital（诺丁汉城市医院）
纵向观察性数据库最近成为上市后药物监测界的关注点，因为它们能够提供一个新的视角来检测不良副作用。挖掘纵向观察数据库的算法不受许多与自发报告系统数据库开发的更传统的方法相关的限制。在本文中，我们调查的鲁棒性最近开发的算法，挖掘纵向观察数据库，通过将它们应用到健康改善网络（THIN）的六种药物，众所周知的文件的负面影响。我们的研究结果表明，现有的算法都不能一致地识别已知的药物不良反应以上的事件与药物的原因，没有算法是优越的。
2013-07-05 cs.CE cs.DB cs.LG
Temporal Subtyping of Alzheimer's Disease Using Medical Conditions Preceding Alzheimer's Disease Onset in Electronic Health Records
Florida State University（佛罗里达州立大学）；University of Florida（佛罗里达大学）
本研究利用谱聚类对近3万名AD患者的纵向电子健康记录进行时间亚型分型，识别出四种具有不同疾病进展模式的亚型，有助于早期检测和个性化治疗。
2022-02-22 cs.AI cs.LG stat.AP
Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research
Université Paris-Est Créteil (UPEC)（巴黎东部克雷泰伊大学）；Université Sorbonne Paris Nord (USPN)（巴黎北部索邦大学）
本研究针对阿尔茨海默病预测的问题，提出含SFCN MRI编码器等的多模态多任务框架，在多数据集上取得良好预测性能，可处理缺失模态并支持亚组评估。
2026-10-09 cs.LG
ADMarker: A Multi-Modal Federated Learning System for Monitoring Digital Biomarkers of Alzheimer's Disease
The Chinese University of Hong Kong（香港中文大学）；The University of Hong Kong（香港大学）
针对阿尔茨海默病数字生物标志物监测的隐私与现实场景挑战，研究提出ADMarker多模态联邦学习系统，经临床试验验证可高准确率检测生物标志物与识别早期AD，为临床纵向追踪相关关联提供新平台。
2024-04-12 cs.LG
Early Prediction of Alzheimers Disease Leveraging Symptom Occurrences from Longitudinal Electronic Health Records of US Military Veterans
Manning College of Information & Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校曼宁信息与计算机科学学院）；Center for Healthcare Organization & Implementation Research, VA Bedford Health Care System（弗吉尼亚州贝德福德医疗系统医疗保健组织与实施研究中心）；University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Center of Biomedical and Health Research in Data Sciences, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校数据科学生物医学与健康研究中心）；UMass Chan Medical School（马萨诸塞大学陈医学院）；Miner School of Computer & Information Sciences, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校迈纳计算机与信息科学学院）
本研究利用美国退伍军人纵向EHR中AD相关关键词的出现频率，通过机器学习模型提前长达十年预测AD发作，最佳模型ROCAUC达0.997，为大规模人群早期筛查提供了经济有效的方法。
2025-04-25 cs.AI cs.CL cs.LG
LAVA: Granular Neuron-Level Explainable AI for Alzheimer's Disease Assessment from Fundus Images
University of Florida（佛罗里达大学）
阿尔茨海默病（AD）是一种进行性神经退行性疾病，是痴呆的主要原因。早期诊断对于患者从潜在的干预和治疗中获益至关重要。由于视网膜与大脑的解剖学联系，视网膜已被假设为AD检测的诊断部位。为此目的开发的人工智能模型尚未提供有关该决定的合理解释，也无法推断疾病进展的阶段。沿着这个方向，我们提出了一种新的模型不可知的可解释AI框架，称为颗粒神经元级解释器（LAVA），这是一种解释原型，它探讨了卷积神经网络（CNN）模型的中间层，以直接从视网膜成像评估AD连续体，而无需纵向或临床评估。该方法用于验证视网膜血管作为阿尔茨海默病（AD）评价的生物标志物和诊断模式。英国生物库认知测试和血管形态学特征表明，LAVA在识别整个进展过程中的AD阶段方面显示出强大的前景和有效性。
2023-03-16 cs.AI cs.LG eess.IV
Bayesian Networks with Latent Time Embedding for Stage-Aware Causal Modeling of Alzheimer's Disease Progression
Alzheimer's Disease Neuroimaging Initiative（阿尔茨海默病神经影像学倡议）；Open Access Series of Imaging Studies（开放获取影像学研究系列）
提出BN-LTE框架，结合贝叶斯网络与潜在时间嵌入，利用AT(N)级联约束建模AD进展，在ADNI数据上优于基线，并识别出淀粉样蛋白敏感性的中期伪时间窗口。
2026-06-16 cs.CE cs.LG
Learning Patient-Specific Spatial Biomarker Dynamics via Operator Learning for Alzheimer's Disease Progression
Alzheimer’s Disease Neuroimaging Initiative（阿尔茨海默病影像化计划）
本文提出基于算子学习的机器学习框架，利用拉普拉斯特征函数基构建几何感知神经算子，学习患者特异性AD生物标志物时空动态，在临床数据上实现超过90%的预测准确率，支持个体化预测与治疗模拟。
2025-07-22 cs.LG q-bio.QM
Discovering a reaction-diffusion model for Alzheimer's disease by combining PINNs with symbolic regression
Brown University（布朗大学）；Stanford University（斯坦福大学）
本文结合物理信息神经网络与符号回归，从纵向tau PET影像中发现区分阿尔茨海默病患者与健康对照的tau错误折叠反应-扩散方程及参数。
2023-07-16 cs.LG q-bio.QM
Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression
Korea University（高丽大学）
阿尔茨海默氏病（AD）被认为是痴呆症的主要原因之一，其特征是在几年内进展缓慢，没有治疗或可用的药物。在这方面，一直在努力在最早的时候确定发展AD的风险。虽然许多以前的工作考虑的横断面分析，最近的研究集中在AD的诊断和预后的纵向或时间序列数据的疾病进展建模的方式。在相同的问题设置下，在这项工作中，我们提出了一种新的计算框架，可以预测MRI生物标志物的表型测量值和临床状态的轨迹以及未来多个时间点的认知评分。然而，在处理时间序列数据时，它通常会面临许多意想不到的缺失观测。在这样一个不利的情况下，我们定义了一个次要的问题，估计这些缺失值，并解决它在一个系统的方式，考虑到时间序列数据中固有的时间和多变量的关系。具体地说，我们提出了一个深度递归网络，它联合解决了以下四个问题：（i）缺失值插补，（ii）表型测量预测，（iii）认知评分的轨迹估计，以及（iv）基于他/她的纵向成像生物标志物的受试者的临床状态预测。值得注意的是，我们的网络的可学习模型参数是用我们精心定义的损失函数以端到端的方式训练的。在我们对TADPOLE挑战队列的实验中，我们测量了各种指标的性能，并将我们的方法与文献中的竞争方法进行了比较。还进行了详尽的分析和消融研究，以更好地证实我们的方法的有效性。
2020-08-27 cs.CV cs.LG eess.IV
TransforMesh: A Transformer Network for Longitudinal modeling of Anatomical Meshes
Ludwig-Maximilians-Universität（路德维希-马克西米利安大学）
与阿尔茨海默病（AD）相关的神经解剖学变化的纵向建模对于研究疾病的进展至关重要。为此，我们介绍了transforMesh，一个时空网络的基础上的Transformers器模型的纵向形状变化的三维解剖网格。虽然Transformer和Mesh网络最近在自然语言处理和计算机视觉中显示出令人印象深刻的性能，但它们在医学图像分析中的应用非常有限。据我们所知，这是第一个结合Transformer和网状网络的工作。我们的研究结果表明，TransforMesh可以更好地建模形状轨迹比其他基线架构，不捕捉时间依赖性。此外，我们还探讨了TransforMesh在检测AD患者海马结构异常方面的能力。
2021-09-23 cs.CV cs.LG
Acoustic Biomarkers for Alzheimer's Disease Detection from Spontaneous Speech
Kentro
本研究利用Cookie Theft任务的语音数据集提取声学特征，通过机器学习分类器区分阿尔茨海默病患者与健康对照，证实声学生物标志物可实现有临床意义的诊断区分，为低成本筛查工具提供支撑。
2026-10-12 cs.LG cs.SD eess.AS
AI for the prediction of early stages of Alzheimer's disease from neuroimaging biomarkers -- A narrative review of a growing field
University of Iowa（爱荷华大学）；University of Iowa Hospitals and Clinics（爱荷华大学医院与诊所）；University of Turku（图尔库大学）；Turku University Hospital（图尔库大学医院）
本叙述性综述总结了AI在神经影像学中用于早期阿尔茨海默病预测的应用现状，指出多模态和纵向研究优于单模态方法，并强调克服数据标准化与临床整合等挑战是实现AI潜力、造福患者和社会的关键。
2024-06-25 cs.AI cs.LG
Sampling-guided Heterogeneous Graph Neural Network with Temporal Smoothing for Scalable Longitudinal Data Imputation
East China Normal University（华东师范大学）；Stanford University（斯坦福大学）；The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
提出SHT-GNN框架，通过异质图建模观测与协变量，结合受试者级采样和时序平滑，实现大规模纵向数据的高效插补，在ADNI等数据集上显著优于现有方法。
2024-11-07 cs.LG
Application of Machine Learning to Predict the Risk of Alzheimer's Disease: An Accurate and Practical Solution for Early Diagnostics
Institute for Applied Computational Science, Harvard John A. Paulson School of Engineering and Applied Sciences（哈佛大学约翰·A·保尔森工程与应用科学学院应用计算科学研究所）
阿尔茨海默病（AD）破坏了500多万美国人的认知能力，并对医疗保健系统造成了巨大的压力。本文提出了一种用于AD发展的机器学习预测模型，该模型无需医学成像，并且具有更少的临床访问和测试，希望更早和更便宜的诊断。早期诊断可能对任何药物或医疗治疗的有效性至关重要。我们的模型使用来自两项著名研究的人口统计学，生物标志物和认知测试数据进行训练和验证：阿尔茨海默病神经成像倡议（ADNI）和澳大利亚成像，衰老的生物标志物生活方式旗舰研究（AIBL）。我们系统地探讨了不同的机器学习模型，预处理方法和特征选择技术。性能最好的模型在预测AD方面表现出超过90%的准确率和召回率，并且结果在ADNI的子研究和独立的AIBL研究中推广。我们还证明，这些结果对于减少每次就诊的临床就诊或检查次数是稳健的。使用元分类算法和纵向数据分析，我们能够产生一个“精益”的诊断协议，只有3个测试和4个临床访问，可以预测阿尔茨海默氏症的发展与87%的准确率和79%的召回。这项新的工作可以被改编成一个实用的早期诊断工具，用于预测阿尔茨海默氏症的发展，最大限度地提高准确性，同时最大限度地减少必要的诊断测试和临床访问的数量。
2020-06-02 cs.LG q-bio.QM stat.ML
Multi-Task Learning with Feature-Similarity Laplacian Graphs for Predicting Alzheimer's Disease Progression
School of Software（软件学院）；Yunnan University（云南大学）；Department of Computer Science（计算机科学系）；The University of Sheffield（谢菲尔德大学）；Department of Computing（计算系）；Xi’an JiaoTong-Liverpool University（西安交通大学利物浦大学）；School of Medical Technology（医学技术学院）；Beijing Institute of Technology（北京理工大学）
针对现有框架未考虑特征相关性时变特性的问题，提出MTL-FSL框架，通过引入特征相似性拉普拉斯惩罚项建模动态特征关系并结合ADMM算法求解，在ADNI数据集上实现了最先进的AD进展预测性能。
2025-10-12 cs.AI cs.LG
Learning Spatio-Temporal Model of Disease Progression with NeuralODEs from Longitudinal Volumetric Data
Medical University of Vienna（维也纳医科大学）
对正在发生的疾病造成的未来解剖学变化的稳健预测是一项极具挑战性的任务，即使是经验丰富的医疗保健专业人员也无法掌握。然而，这种能力非常重要，因为它可以通过在入院阶段提供关于疾病进展速度的信息来改善患者管理，或者它可以通过快速进展者丰富临床试验，并通过数字孪生避免对对照组的需要。在这项工作中，我们开发了一种深度学习方法，该方法通过处理单个医学扫描并在请求的未来时间点提供目标解剖结构的分割来模拟年龄相关疾病的演变。我们的方法代表了一个时不变的物理过程，并解决了利用NeuralODE建模时间像素级变化的大规模问题。此外，我们展示了将先前特定于域的约束纳入我们的方法和定义时间骰子损失学习时间目标的方法。为了评估我们的方法在不同年龄相关疾病和成像模式中的适用性，我们开发并测试了所提出的方法，数据集包括100名地理性萎缩患者的967个视网膜OCT体积和633名阿尔茨海默病患者的2823个脑MRI体积。对于地理性萎缩，所提出的方法在萎缩生长预测方面优于相关基线模型。对于阿尔茨海默病，所提出的方法在预测由疾病引起的脑室变化方面表现出显着的性能，在TADPOLE挑战上实现了最先进的结果。
2022-11-08 cs.CV cs.LG
Training recurrent neural networks robust to incomplete data: application to Alzheimer's disease progression modeling
Biomediq A/S（Biomediq公司）；Cerebriu A/S（Cerebriu公司）；University of Copenhagen（哥本哈根大学）；University College London（伦敦大学学院）；King’s College London（伦敦国王学院）
使用纵向数据进行疾病进展建模（DPM）是一项具有挑战性的机器学习任务。现有的生物标志物识别算法忽略了测量结果之间的时间依赖性，对生物标志物轨迹进行参数假设，不对多个生物标志物进行联合建模，并且需要对齐受试者的轨迹。在本文中，循环神经网络（RNN）是用来解决这些问题。然而，在许多情况下，纵向队列包含不完整的数据，这阻碍了标准RNN的应用，并且需要预处理步骤，例如缺失值的插补。相反，我们为最广泛使用的RNN架构，长短期记忆（LSTM）网络，提出了一个通用的训练规则，可以处理丢失的预测值和目标值。所提出的LSTM算法被应用于使用六种体积磁共振成像（MRI）生物标志物对阿尔茨海默病（AD）的进展进行建模，即，脑室，海马，全脑，梭状回，颞中回和内嗅皮层的体积，并将其与标准LSTM网络进行比较，并使用数据插补和基于参数回归的神经网络方法。结果表明，所提出的算法在预测几乎所有MRI生物标志物的值时实现了显著低于替代方案的平均绝对误差（MAE），其中使用Wilcoxon符号秩检验时p < 0.05。此外，应用于预测的生物标志物值的线性判别分析（LDA）分类器使用用于AD临床诊断的McNemar检验产生0.90对至多0.84的显著更大的AUC，其中p < 0.001。对MAE曲线作为缺失数据量的函数的检查表明，所提出的LSTM算法在超过74%的缺失值时达到了最佳性能。最后，它说明了如何该方法可以成功…
2019-03-17 cs.CV cs.LG stat.ML
Disease2Vec: Representing Alzheimer's Progression via Disease Embedding Tree
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；The University of Georgia（佐治亚大学）
几十年来，已经提出了各种预测方法，并根据其对阿尔茨海默病（AD）及其前体-轻度认知障碍（MCI）的预测能力进行了评估。他们中的大多数集中在预测或识别不同临床组或阶段之间的统计学差异（例如，纵向研究）。AD发展的连续性和连续AD相关阶段之间的过渡状态一直被忽视，特别是在二元或多级分类中。虽然近年来已经研究了一些AD的进展模型，但它们主要用于确定和比较特定生物标志物的顺序。如何有效地预测个体患者在广泛的连续AD进展范围内的状态在很大程度上被忽视了。在这项工作中，我们开发了一种新的基于学习的嵌入框架，通过潜在空间（Disease 2 Vec）中的一组有意义的嵌入向量来编码AD相关临床阶段之间的内在关系。我们将这一过程称为疾病嵌入。通过疾病嵌入，该框架生成疾病嵌入树（DETree），其有效地将不同的临床阶段表示为反映AD进展的树轨迹，因此可以通过将个体投影到该连续轨迹上来预测临床状态。通过该模型，DETree不仅可以对处于AD发展任何阶段的患者进行有效和准确的预测（跨越五个临床组而不是典型的两个组），而且还可以通过检查广泛和连续的AD进展过程中的投影位置来提供更丰富的状态信息。
2022-12-17 cs.LG q-bio.NC
Neural operator-based digital twins for modeling amyloid-$β$ and tau propagation and treatment optimization in Alzheimer's disease
Pennsylvania State University（宾夕法尼亚州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
提出基于神经算子的数据驱动框架，从稀疏纵向PET数据学习反应扩散动力学，预测淀粉样蛋白-β和tau蛋白时空演化，并优化个性化治疗策略。
2026-06-25 cs.LG math-ph math.MP
PROMISE-AD: Progression-aware Multi-horizon Survival Estimation for Alzheimer's Disease Progression and Dynamic Tracking
Department of Radiology and Biomedical Imaging, Yale School of Medicine（放射科与生物医学成像系，耶鲁医学院）；Department of Radiology Oncology, Wake Forest University School of Medicine（放射肿瘤科，沃杰福大学医学院）；Department of Applied Mathematics & Statistics and Department of Computer Science, Stony Brook University（应用数学与统计系和计算机科学系，史泰文布鲁克大学）
本文提出PROMISE-AD模型，通过多时间跨度生存估计方法，实现对认知正常到轻度认知障碍及轻度认知障碍到阿尔茨海默病的进展预测，采用时间Transformer融合表示并结合多种正则化方法提升预测性能。
2026-04-30 cs.AI cs.LG eess.IV
Deep Geometric Learning with Monotonicity Constraints for Alzheimer's Disease Progression
Korea University（高丽大学）
针对阿尔茨海默病进展预测中现有深度学习方法未充分考虑几何属性、ODE-RGRU易出现特征反转的问题，提出结合拓扑空间偏移、ODE-RGRU和轨迹估计的几何学习方法，加入单调性约束训练算法，经实验验证有效。
2023-10-05 cs.AI cs.LG
Pathology Steered Stratification Network for Subtype Identification in Alzheimer's Disease
Wake Forest University（维克森林大学）；Wake Forest School of Medicine（维克森林医学院）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对现有阿尔茨海默病亚型识别方法忽略病理领域知识的问题，本研究提出结合反应-扩散模型与深度学习的PSSN网络，实现AD谱系六种亚型的精准分层，为早期诊断和治疗提供指导。
2023-08-25 cs.LG q-bio.QM
DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications
提出多模态多任务深度学习模型DeepAD，通过3D卷积神经网络提取MRI特征并结合临床数据，利用对抗损失和SAM优化技术提升泛化能力，有效预测阿尔茨海默病进展。
2023-09-07 cs.LG eess.IV
An Attention-Based Framework for Alzheimers Disease Classification Using Resting-State fMRI
School of Medical Science and Technology（医学科学与技术学院）；Dr B C Roy Multi Speciality Medical Research Centre（B C Roy多专科医学研究中心）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Indian Institute of Technology Gandhinagar（印度理工学院甘地纳格尔分校）
该研究针对rs-fMRI分类AD的挑战，提出基于注意力机制的深度学习框架，在ADNI纵向队列上获88.95%准确率、0.90 ROC-AUC，为AD检测提供鲁棒可解释方法。
2026-07-30 cs.AI cs.HC cs.LG
Subtyping patients with chronic disease using longitudinal BMI patterns
IEEE J Biomed Health Inform（IEEE生物医学与健康信息学期刊）
利用机器学习从电子健康记录中提取BMI轨迹，通过k-means聚类定义九个新变量，对18种慢性病风险进行亚型分类，并验证了肥胖与多种疾病的关联。
2026-06-24 cs.LG
Spatio-Temporal Similarity Measure based Multi-Task Learning for Predicting Alzheimer's Disease Progression using MRI Data
University of Sheffield（谢菲尔德大学）
针对传统AD进展预测模型忽略脑区时间关联的问题，提出基于时空相似性度量的多任务学习方法，可更有效预测疾病进展并识别关键生物标志物关联。
2023-11-06 cs.CV cs.LG eess.IV
Disentangling brain heterogeneity via semi-supervised deep-learning and MRI: dimensional representations of Alzheimer's Disease
University of Pennsylvania（宾夕法尼亚大学）；University of Texas San Antonio Health Science Center（德克萨斯大学圣安东尼奥健康科学中心）；National Institute on Aging（美国国家老龄化研究所）
脑疾病的异质性是精确诊断/预后的挑战。我们描述并验证了Smile-GAN（SeMI监督的cLustEring-生成对抗网络），这是一种新型的半监督深度聚类方法，它剖析了神经解剖学异质性，能够通过相对于对照的成像特征识别疾病亚型。当应用于MRI时（2项研究; 2，832名参与者; 8，146次扫描）包括认知正常个体和认知障碍和痴呆患者，Smile-GAN确定了4种神经退行性模式/轴：P1，正常解剖结构和最高认知表现; P2，轻度/弥漫性萎缩和更突出的执行功能障碍; P3，局灶性内侧颞叶萎缩和相对较大的记忆障碍; P4，晚期神经退化进一步应用纵向数据发现了两种不同的进展途径：P1 $\rightarrow$ P2 $\rightarrow$ P4和P1 $\rightarrow$ P3 $\rightarrow$ P4。这些模式的基线表达预测了未来神经退行性变的途径和速率。与淀粉样蛋白/tau蛋白相比，模式表达在预测临床进展方面提供了更好的补充性能。这些深度学习衍生的生物标志物为精确诊断和有针对性的临床试验招募提供了希望。
2021-02-24 cs.LG eess.IV q-bio.NC
Forecasting Medium-Horizon Alzheimer's Disease Progression: Residual Gap-Aware Transformers for 24-Month CDR-SB Change from ADNI Clinical and Biomarker Histories
Department of Mathematical Sciences, University of Texas at Dallas（德克萨斯大学达拉斯分校数学科学系）；Department of Plant Science and Landscape Architecture, University of Connecticut（康奈尔大学植物科学与景观建筑系）；Naveen Jindal School of Management, University of Texas at Dallas（德克萨斯大学达拉斯分校纳文·金达管理学院）；Zhejiang Provincial People’s Hospital（浙江省人民医院）
本文提出残差间隙感知变换器，结合混合效应统计参考与变换器残差学习，用于预测24个月CDR-SB变化，提升了预测精度和相关性。
2026-05-04 cs.LG stat.AP stat.ML
Calibrated Alzheimer's Conversion Risk in Mild Cognitive Impairment: Persistent Homology of Clinical Trajectories with Conformal Guarantees
Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）
研究旨在预测MCI到AD的转化，将持久同调用于临床轨迹点云，结合多种特征构建堆叠集成模型。校正泄漏源，经交叉验证等实验，模型有竞争力的准确性，提出H0持久熵为拓扑生物标志物，实现个体层面不确定性量化。
2026-07-21 cs.LG stat.ML
Artificial Intelligence for Personalized Prediction of Alzheimer's Disease Progression: A Survey of Methods, Data Challenges, and Future Directions
Department of Industrial Engineering and Management Systems University of Central Florida（工业工程与管理系统系 佛罗里达中央大学）；Institute for Simulation and Training University of Central Florida（模拟与培训研究所 佛罗里达中央大学）；Department of Internal Medicine University of Central Florida（内科医学系 佛罗里达中央大学）；Department of Statistics and Data Science University of Central Florida（统计学与数据科学系 佛罗里达中央大学）
本文综述了AI在个性化阿尔茨海默病进展预测中的应用，涵盖状态空间模型、深度学习、GNNs和数字孪生等方法，并探讨了数据挑战、缓解策略及未来方向，以指导临床相关AI工具的开发。
2025-04-29 cs.AI cs.ET cs.LG
Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation of Brain Atrophy using Deep Networks
University College London（伦敦大学学院）；Indiana University（印第安纳大学）；Panakeia Technologies（Panakeia 科技公司）
组织变形的生物力学建模可用于模拟纵向脑进化的不同场景。在这项工作中，我们提出了一个深度学习框架，用于在健康老龄化和阿尔茨海默病期间对脑萎缩进行超弹性应变建模。该框架直接模拟年龄，疾病状态和扫描间隔的影响，以回归萎缩的区域模式，基于应变的模型估计变形。该模型使用来自ADNI队列的3D结构磁共振成像数据进行训练和验证。结果表明，该框架可以估计现实的变形，遵循阿尔茨海默病的已知过程，清楚地区分健康和痴呆的衰老模式。这表明该框架有可能被纳入可解释的疾病模型，以探索干预措施和反事实的例子。
2021-08-18 cs.LG eess.IV q-bio.NC
Forecasting Future Anatomies: Longitudinal Brain Mri-to-Mri Prediction
A.I. Virtanen Institute for Molecular Sciences, University of Eastern Finland, Kuopio, Finland（A.I. Virtanen分子科学研究所，东芬兰大学，库奥普io，芬兰）
本文研究从基线MRI预测未来脑部MRI，采用五种深度学习架构（UNet、U2-Net、UNETR、时间嵌入UNet和ODE-UNet）在ADNI和AIBL数据集上实现高保真体素级预测，并验证了跨队列泛化能力。
2025-11-21 cs.CV cs.LG q-bio.NC
A Probabilistic Disease Progression Model for Predicting Future Clinical Outcome
Cornell（康奈尔大学）；Electrical and Computer Eng, Cornell（康奈尔大学电气与计算机工程学院）
在这项工作中，我们考虑的问题，预测的过程中进行性疾病，如癌症或阿尔茨海默氏症。进展性疾病通常始于可能在诊断之前的轻微症状，每个患者都遵循自己的轨迹。患者轨迹表现出野生变异性，这可能与许多因素，如基因型，年龄或性别。另一层复杂性是，在现实生活中，每个患者可用的数据量和类型可能会有很大差异。例如，对于一名患者，我们可能没有既往病史，而对于另一名患者，我们可能在多个既往时间点获得了详细的临床评估。本文提出了一种概率模型，可以处理多种模式（包括图像和临床评估）和不规则时间和缺失条目的可变患者历史，以预测未来时间点的临床评分。我们使用S形函数来模拟潜在的疾病进展，这在我们的生成模型中引起了临床观察。我们实施了一个近似贝叶斯推理策略，建议的模型，以估计参数的数据从一个大的受试者群体。此外，贝叶斯框架使模型能够根据测试对象可能获得的历史观察结果自动微调其预测。我们将我们的方法应用于具有超过3000名受试者的纵向阿尔茨海默病数据集[23]，并对不同场景下的预测性能进行了详细的实证分析，并与几个基准进行了比较。我们还演示了如何可以询问所提出的模型，以收集有关阿尔茨海默病的时间动态的见解。
2018-03-13 cs.CV cs.LG stat.ML
MATCH-Net: Dynamic Prediction in Survival Analysis using Convolutional Neural Networks
University of Oxford（牛津大学）；University of California Los Angeles（加州大学洛杉矶分校）
准确预测疾病轨迹对于早期识别和及时治疗高危患者至关重要。传统的生存分析方法往往受到强参数假设的约束，并且从高维数据中学习的能力有限，而现有的神经网络模型并不容易适应纵向设置。本文开发了一种新的卷积方法来解决这些缺点。我们提出MATCH-Net：一个Missingness-Aware Temporal Convolutional Hitting-time Network，旨在捕获协变量轨迹和缺失模式中的时间依赖性和异构相互作用。据我们所知，这是第一次在动态预测个性化风险预后的背景下调查时间卷积。使用来自阿尔茨海默病神经影像学倡议的真实数据，我们展示了最先进的性能，而不对潜在的纵向或事件发生时间过程做出任何假设，证明该模型在临床决策支持中的潜在效用。
2018-11-26 cs.LG stat.ML
An empirical comparison of some outlier detection methods with longitudinal data
Italian National Institute of Statistics – Istat（意大利国家统计研究所）
本研究针对纵向数据异常值检测问题，对比官方统计传统方法与数据挖掘、机器学习领域的相关方法，通过面板调查数据实验验证了后者灵活性更强、可处理多维数据且部分场景效果更优。
2025-07-28 cs.LG stat.AP stat.ME
ENC-ODE: Event-level Neurodegenerative Modeling in Continuous Time with Neural ODEs
Pohang University of Science and Technology（首尔科学技术大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
提出ENC-ODE模型，利用神经常微分方程对临床事件进行连续时间建模，通过诊断条件动态和目标条件注意力机制预测生物标志物演变，在ADNI数据集上优于现有序列模型。
2026-06-29 cs.AI cs.IR cs.LG
Learning to synthesise the ageing brain without longitudinal data
University of Edinburgh（爱丁堡大学）；The BHF Centre for Cardiovascular Science（英国心脏基金会心血管科学中心）；The Alan Turing Institute（艾伦·图灵研究所）；Institute for Digital Communications, School of Engineering, University of Edinburgh（爱丁堡大学工程学院数字通信研究所）；The BHF Centre for Cardiovascular Science, Edinburgh（爱丁堡英国心脏基金会心血管科学中心）；The Alan Turing Institute, London（伦敦艾伦·图灵研究所）；Institute for Digital Communications, School of Engineering, University of Edinburgh, West Mains Rd, Edinburgh EH9 3FB, UK（爱丁堡大学工程学院数字通信研究所）
当我老了，我的脸会是什么样子？或者，对于一个更具挑战性的问题：当我变老时，我的大脑会是什么样子？为了回答这个问题，必须设计（并从数据中学习）一个多变量自回归函数，该函数在给定图像和期望的目标年龄的情况下生成输出图像。虽然收集面部数据可能更容易，但收集纵向大脑数据并不容易。我们提出了一种基于深度学习的方法，可以在不依赖纵向数据的情况下学习模拟特定对象的大脑老化轨迹。我们的方法合成的图像有两个因素：年龄（连续变量），和阿尔茨海默病（AD，有序变量）的状态。通过对抗性公式，我们学习了大脑外观，年龄和AD状态的联合分布，并定义了重建损失，以解决保留主体身份的挑战性问题。我们使用两个广泛使用的数据集与几个基准进行比较。我们使用地面实况纵向数据和预先训练的年龄预测器来评估合成图像的质量和真实性。我们发现，尽管使用了横断面数据，我们的模型学习了AD患者中颞回灰质萎缩的模式。为了证明泛化能力，我们在一个数据集上进行训练，并在另一个数据集上评估预测。总之，我们的模型显示了仅使用2D横截面数据分离年龄，疾病影响和解剖结构的能力，这些数据在神经退行性疾病的大型研究中应该是有用的，这些研究旨在结合几个数据源。为了方便广大社区将来进行此类研究，我们的代码可在https://github.com/xiat0616/BrainAgeing上获得。
2021-09-30 cs.CV cs.LG eess.IV
