中期アルツハイマー病進行予測：ADNIの臨床・バイオマーカー履歴からの24ヶ月CDR-SB変化に対する残差ギャップ認識トランスフォーマー

arXivに発表された新しい研究（arXiv:2605.16319）は、残差ギャップ認識トランスフォーマー（Residual Gap-Aware Transformer）と呼ばれる深層学習モデルを提案し、中期アルツハイマー病の進行予測に有効であることを示しました。このモデルは、24ヶ月間の臨床認知症評価尺度サム・オブ・ボックス（CDR-SB）の変化を分析し、疾患管理のためのより精密な予測ツールを提供します。研究チームはRan Tongらで、論文は2026年5月4日に提出されました。

研究チームは、アルツハイマー病神経画像イニシアチブ（ADNI）の調和データを用い、アンカーベースの分析フレームワークを採用しました。各ラベル付きサンプルは軽度認知障害の受診をアンカーとし、アンカー時点またはそれ以前に観測された臨床およびバイオマーカー履歴のみを使用します。応答は、将来の受診（18～30ヶ月のウィンドウ内で最も24ヶ月に近い時点）のCDR-SBからアンカーCDR-SBを引いた値として定義されました。分析コホートは858名の参加者からの2,600のラベル付きアンカーと7,276の縦断的行を含みます。この手法により、予測が将来情報に影響されず、過去データを最大限活用できます。

提案モデルは、混合効果統計参照とトランスフォーマー残差学習を組み合わせます。混合効果部分は参加者レベルのランダム切片を含み、ベースライン予測に統計的構造を提供し、参加者間の異質性を捉えます。トランスフォーマー部分はアンカー前の臨床・バイオマーカー履歴から残差を学習し、ベースライン予測を修正します。さらに、不規則な時間間隔の履歴を処理するための観測レベル三重項トークン化と、自己注意内での学習可能な非負時間間隔ペナルティを導入し、不完全な縦断観測をより適切に扱います。

繰り返しの参加者レベル訓練-テスト分割において、提案モデルはベイズ情報量基準で選択された線形混合効果ベースライン、GRU-D、STraTSと比較されました。5つの参加者レベルランダムシードにわたり、提案モデルは報告されたすべての指標で最高の平均テスト性能を達成しました：混合効果ベースラインに対し、MSEを13.1%削減し、予測-観測相関を26.4%向上させました。また、平均誤差と相関の両方でGRU-DとSTraTSを上回り、統計的アンカリングとギャップ認識残差学習の利点を示しました。

これらの結果は、統計的アンカリングとギャップ認識残差学習が中期アルツハイマー病進行予測に有効な構造を提供することを示しています。このモデルは、臨床医が高リスク患者をより早期に特定し、臨床試験の設計を最適化し、個別化治療戦略の基礎を提供する可能性があります。研究はまた、将来の研究で脳脊髄液や画像データなどのバイオマーカーをモデルに組み込み、他のコホートでの一般化可能性を検証することを示唆しています。