中期阿尔茨海默病进展预测：基于残差间隙感知Transformer的24个月CDR-SB变化预测
本研究提出一种残差间隙感知Transformer模型，结合混合效应统计参考和Transformer残差学习，利用ADNI临床和生物标志物历史数据预测24个月CDR-SB变化。该模型通过锚点分析、不规则历史的三元组标记化和自注意力中的学习非负时间间隙惩罚，在多个指标上优于传统基线模型，MSE降低13.1%，相关性提高26.4%。
一项发表在arXiv上的新研究（arXiv:2605.16319）提出了一种名为残差间隙感知Transformer（Residual Gap-Aware Transformer）的深度学习模型，用于预测中期阿尔茨海默病的进展。该模型通过分析24个月内临床痴呆评定量表总和（CDR-SB）的变化，为疾病管理提供了更精确的预测工具。研究团队由Ran Tong等人组成，论文于2026年5月4日提交。
研究团队利用阿尔茨海默病神经影像学倡议（ADNI）的协调数据，采用基于锚点的分析框架。每个标记样本以轻度认知障碍访视为锚点，仅使用锚点之前或当时的临床和生物标志物历史，将响应定义为未来约24个月（18-30个月窗口）的CDR-SB值减去锚点CDR-SB。分析队列包含858名参与者的2,600个标记锚点，共7,276个纵向行。这种方法确保了预测不受未来信息影响，同时充分利用了历史数据。
所提出的模型将混合效应统计参考与Transformer残差学习相结合。混合效应部分包含参与者级别的随机截距，为基线预测提供统计结构，捕捉参与者之间的异质性；Transformer部分则从锚点前的临床和生物标志物历史中学习残差，以修正基线预测。模型还引入了观察级三元组标记化以处理不规则时间间隔的历史数据，以及在自注意力内添加学习非负时间间隙惩罚，以更好地处理不完整的纵向观测。
在重复的参与者级训练-测试分割中，研究人员将所提出模型与基于贝叶斯信息准则选择的线性混合效应基线、GRU-D和STraTS进行了比较。跨五个随机种子的测试结果显示，所提出的模型在所有报告指标上均取得了最佳平均性能：相对于混合效应基线，均方误差（MSE）降低了13.1%，预测与观测的相关性提高了26.4%。同时，该模型在平均误差和相关指标上也优于GRU-D和STraTS，显示出统计锚定和间隙感知残差学习的优势。
这些发现表明，统计锚定和间隙感知残差学习为中期阿尔茨海默病进展预测提供了有效的结构。该模型有望帮助临床医生更早地识别高风险患者，优化临床试验设计，并为个体化治疗策略提供依据。研究还指出，未来工作可以探索将更多生物标志物（如脑脊液和影像学数据）纳入模型，并验证其在其他队列中的泛化性。