10:35arXiv cs.LG@Nguyen Linh Dan Le该论文提出BN-LTE(贝叶斯网络与潜在时间嵌入)框架,用于阿尔茨海默病进展的阶段感知因果建模。模型从基线生物标志物图像估计疾病伪时间,并依据AT(N)级联顺序约束有向依赖。在ADNI数据上,BN-LTE在tau蛋白扩散的空间重建上优于多个预测基线。模型识别出中伪时间窗口的淀粉样蛋白敏感性,并通过g-formula对比、AIPW和鲁棒性分析验证。代码已在GitHub公开。论文BN-LTE阿尔茨海默病贝叶斯网络AT(N)级联ADNI推荐理由:这篇论文用贝叶斯网络模拟阿尔茨海默病的AT(N)级联,比黑箱预测更可解释。它从ADNI数据中找到了tau扩散的关键时间窗,对神经影像研究有参考价值。原文
11:42arXiv cs.LG@Yinyu Huang, Yilin Zhang, Sofia Michopoulou, Christopher Kipps, Rahman Attar精选阿尔茨海默病进展高度异质且数据稀疏不规则,现有机器学习方法多聚焦静态分类或群体风险估计,缺乏个体化建模和不确定性推理。该研究提出一种个性化数字孪生框架,整合互补建模策略捕捉临床转换和时间依赖,利用ADNI数据集预测认知状态和诊断类别,并量化预测不确定性。评估显示,基于相邻访视的转换建模比序列建模预测精度更高,表明局部转换建模在数据稀疏场景下更高效。该框架支持患者特异性“what-if”轨迹分析,为神经退行性疾病的个性化预测提供了实用且可解释的方法。论文数字孪生阿尔茨海默病稀疏纵向数据个性化预测ADNI推荐理由:AD 研究者终于有了一个能处理稀疏数据、支持个性化轨迹预测的工具——做疾病建模或临床试验设计的团队可以直接用这个框架做 scenario 分析,比传统群体模型更贴近真实临床场景。原文