我们提出了一个针对医疗保健的个性化和可靠的预测模型，可以提供个性化的诊断、治疗和预防等医疗服务。该模型利用深度神经网络学习众多病人的复杂全局趋势，并利用高斯过程对每个病人的个性化时间序列进行概率建模，从而比标准时间序列深度模型如纯循环神经网络（RNN）具有更实用的优势。

Jun, 2018

本文探讨了使用机器学习预测阿尔茨海默病恶化的能力，并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果，即针对健康组和轻微认知障碍组的恶化预测，分别使用了 CART 和 Elastic Net 获得了较好的结果。

Jun, 2023

通过引入一种新的正则化方法，我们提出了一种预测阿尔茨海默病进展的方法，旨在保持疾病风险随时间递增的单调性，同时保留预测准确性。

Mar, 2024

本文提出了一种基于泊松过程的贝叶斯非参数模型（MedGP），将临床协变量和实验室协变量与病人之间的关联进行了推断和利用，实现对病人状态的高质量推断并实时预测，与现有方法相比，该方法不需要时间序列数据的对齐，具有更好的结果，该方法应用于不同疾病亚组和研究中，为近一半的协变量实现了精确预测。

Mar, 2017

该研究提出了一种多模态分层多任务学习方法，可以在访问轨迹的每个时间点监控疾病进展的风险，并且相较于最先进的基线模型，在预测阿尔茨海默病进展风险和综合评分上表现更好。

Apr, 2024

利用生存机器学习建立了一个可预测认知能力下降导致痴呆症状发展以及预测发展时间的模型，预测能力良好，可用于临床研究和预测患阿尔茨海默病的风险。

Jun, 2023

通过对 ADNI 数据集所得的 PET 扫描图像进行深入研究，本文使用了 VGG16、AlexNet 和一个自定义的卷积神经网络（CNN）模型来将阿尔茨海默病分类为控制正常组（CN）、进展性轻度认知障碍组（pMCI）、稳定性轻度认知障碍组（sMCI）和阿尔茨海默病组（AD），最后采用融合技术改进了模型的整体结果，结果显示使用深度学习模型区分 MCI 患者的平均准确率为 93.13%，AUC 为 94.4%。

Mar, 2024

利用变压器编码器模型来表征纵向患者数据的重要性，以预测阿尔茨海默病（AD）的进展。我们的模型 LongForMAD 利用包含多模态数据的患者访问序列中嵌入的全面时间信息，提供对疾病进展的更深入理解，比仅基于单次访问数据获得的理解更有效。我们在两个患者群体（认知正常和轻度认知障碍）的随访五年内进行了经验分析。实验结果显示，结合更长时间的患者病史的模型可以胜过仅依赖当前信息的模型，这表明更深入的历史背景对于提高未来 AD 进展的预测准确性至关重要。我们的研究结果支持在临床环境中利用纵向数据来增强 AD 的早期检测和监测。

May, 2024

这篇研究提出了一种新的几何学学习方法，通过结合拓扑空间转移、ODE-RGRU 和轨迹估计来建模长期的磁共振成像生物标记物和认知评分，并开发了一种训练算法，将流形映射与单调性约束相结合，以反映测量转换的不可逆性。通过在规则和不规则环境下预测临床标签和认知评分的时间，验证了所提出方法的有效性，并通过消融研究对该框架进行了全面分析。

Oct, 2023

阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化，并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架，使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在 CN/AD 分类中达到 SOA，平均测试准确率为 0.926±0.02。对于 MCI 任务，使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

Jun, 2024