В данном исследовании предлагается вероятностная модель для лонгитюдного моделирования прогрессирования болезни Альцгеймера, которая объединяет предсказание порядкового диагноза, генерацию траекторий с несколькими горизонтами и декомпозицию оценки неопределенности. Подход использует кодировщик Temporal Fusion Transformer и авторегрессионную смесевую плотностную сеть (Mixture Density Network) для генерации вероятностных траекторий на пять лет вперед, одновременно оценивая как алеаторную, так и эпистемическую неопределенность.
- Кодировщик Temporal Fusion Transformer адаптирован с использованием порядкового выходного слоя CORAL, асимметричного взвешивания функции потерь и оверсэмплинга конвертера для соблюдения порядка стадий заболевания.
- Авторегрессионная смесевая плотностная сеть генерирует вероятностные траектории на пять лет вперед для состояния диагноза, суммы баллов CDR (CDR Sum of Boxes), ориентации по шкале MMSE и объема гиппокампа.
- На наборе данных ADNI модель превосходит линейные, рекуррентные и трансформерные базовые модели, демонстрируя наибольшие улучшения в дифференциации между МКО (легкие когнитивные нарушения) и деменцией.
- Сгенерированные траектории обеспечивают покрытие доверительного интервала уровня 90%, близкое к номинальному, с увеличением неопределенности по мере продвижения по горизонту прогнозирования.
- Алеаторная и эпистемическая неопределенности разделяются с помощью аналитической дисперсии смеси и ансамбля из пяти членов бутстрэп-выборки.
Этот фреймворк предоставляет клиницистам не только наиболее вероятный следующий диагноз, но и надежные прогнозы того, как может развиваться состояние пациента со временем, устраняя ограничения методов одношаговой классификации.