Este estudio propone un marco probabilístico para el modelado longitudinal de la progresión de la enfermedad de Alzheimer que combina la predicción ordinal del diagnóstico, la generación de trayectorias multi-horizonte y la estimación descompuesta de la incertidumbre. El enfoque utiliza un codificador Temporal Fusion Transformer y una Red de Densidad de Mezclas autoregresiva para generar trayectorias probabilísticas a cinco años mientras cuantifica tanto la incertidumbre aleatoria como la epistémica.
- Se adapta un codificador Temporal Fusion Transformer con una capa de salida ordinal CORAL, ponderación asimétrica de pérdidas y sobremuestreo de convertidores para respetar el ordenamiento por etapa de la enfermedad.
- Una Red de Densidad de Mezclas autoregresiva genera trayectorias probabilísticas a cinco años para el estado de diagnóstico, CDR Sum of Boxes, orientación MMSE y volumen hipocampal.
- En el conjunto de datos ADNI, el modelo supera a las líneas base lineales, recurrentes y transformadoras, mostrando las mayores mejoras en la discriminación entre MCI y demencia.
- Las trayectorias generadas logran una cobertura del intervalo de credibilidad nominal del 90% con una incertidumbre creciente a lo largo del horizonte de pronóstico.
- Las incertidumbres aleatoria y epistémica se separan utilizando la varianza analítica de la mezcla y un conjunto bootstrap de cinco miembros.
Este marco proporciona a los clínicos no solo el próximo diagnóstico más probable, sino también pronósticos confiables de cómo puede evolucionar un paciente con el tiempo, abordando las limitaciones de los métodos de clasificación de un solo paso.