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

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

使用机器学习方法分析患者的纵向电子健康记录，确定可以更早预测阿尔茨海默病发病的迹象和症状。

Jul, 2023

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

阿尔茨海默病是一种神经退行性情况，其进展速度因个体而异，与皮层厚度的变化密切相关，准确预测皮层厚度的轨迹可以显著提升早期诊断和干预策略，然而，长期数据经常遭受时间上的稀疏和不完整，我们提出了一种用于生成给定基线信息下皮层厚度轨迹的条件分数扩散模型，该模型在训练阶段利用所有可用数据，仅基于基线信息进行预测，无需先验的皮层厚度进展历史，通过对亚组进行比较，我们发现该模型预测的皮层厚度与真实值在 6-36 个月内几乎无偏差，有较窄的 95％置信区间，此外，我们的条件分数扩散模型具有随机生成的特性，因此我们对患者特定皮层厚度的预测进行了不确定性分析。

Mar, 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

本研究旨在通过构建基于表面的模型来检测 APOE 亚型之间的差异，并使用提取的表面特征来预测认知能力下降，证明了 APOE 特异形态特征与 Alzheimer's 病的进展相关联，并且比其他磁共振成像生物标志物更好地预测未来 Alzheimer's 病的发展。

Mar, 2023

提出了一种 Temporally-Aware Diffusion Model (TADM) 的方法，该方法可以准确推测脑 MRI 的进展，包括结构变化和时间间隔，它通过学习扫描之间的强度差异以及与初始基线扫描结合来生成未来的 MRI。通过在 OASIS-3 数据集上进行的评估，表明 TADM 相比现有方法在模拟脑神经退行性进展方面取得了显著的改进。

Jun, 2024

提出一种基于三维卷积神经网络和双重注意力模块的重现性模型，用于阿尔茨海默病分类，通过在 ADNI 数据库上训练并在 AIBL 和 OASIS1 两个独立数据集上验证，该方法在 MCI 进展分类方面的准确率达到 91.94％，在阿尔茨海默病分类方面的准确率达到 96.30％，并具有良好的泛化能力，在 AIBL 和 OASIS1 数据集上的准确率分别达到 86.37％和 83.42％。

Oct, 2023

通过基于时空相似性度量的多任务学习方法，我们提出了一种新颖的方法，用于有效预测阿尔茨海默病（AD）进展并敏感地捕捉生物标志物之间的关键关系。实验结果表明，与基于感兴趣区域（ROIs）的学习相比，我们的方法在预测疾病进展方面更加有效，并能够进行纵向稳定性选择以确定生物标志物之间的变化关系。我们证明了皮质体积或表面积之间的协同恶化生物标志物对认知预测具有显著影响。

Nov, 2023