精选理由
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。
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。
AI 翻译 · 中文
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。
Alzheimer's disease (AD) progression is highly heterogeneous and is typically observed through sparse and irregular longitudinal data, posing challenges for prediction and personalised monitoring. Existing machine learni…