中期阿爾茨海默病進展預測：基於殘差間隙感知Transformer的24個月CDR-SB變化預測
本研究提出一種殘差間隙感知Transformer模型，結合混合效應統計參考和Transformer殘差學習，利用ADNI臨牀和生物標誌物歷史數據預測24個月CDR-SB變化。該模型通過錨點分析、不規則歷史的三元組標記化和自注意力中的學習非負時間間隙懲罰，在多個指標上優於傳統基線模型，MSE降低13.1%，相關性提高26.4%。
一項發表在arXiv上的新研究（arXiv:2605.16319）提出了一種名為殘差間隙感知Transformer（Residual Gap-Aware Transformer）的深度學習模型，用於預測中期阿爾茨海默病的進展。該模型通過分析24個月內臨牀痴呆評定量表總和（CDR-SB）的變化，為疾病管理提供了更精確的預測工具。研究團隊由Ran Tong等人組成，論文於2026年5月4日提交。
研究團隊利用阿爾茨海默病神經影像學倡議（ADNI）的協調數據，採用基於錨點的分析框架。每個標記樣本以輕度認知障礙訪視為錨點，僅使用錨點之前或當時的臨牀和生物標誌物歷史，將響應定義為未來約24個月（18-30個月窗口）的CDR-SB值減去錨點CDR-SB。分析隊列包含858名參與者的2,600個標記錨點，共7,276個縱向行。這種方法確保了預測不受未來信息影響，同時充分利用了歷史數據。
所提出的模型將混合效應統計參考與Transformer殘差學習相結合。混合效應部分包含參與者級別的隨機截距，為基線預測提供統計結構，捕捉參與者之間的異質性；Transformer部分則從錨點前的臨牀和生物標誌物歷史中學習殘差，以修正基線預測。模型還引入了觀察級三元組標記化以處理不規則時間間隔的歷史數據，以及在自注意力內添加學習非負時間間隙懲罰，以更好地處理不完整的縱向觀測。
在重複的參與者級訓練-測試分割中，研究人員將所提出模型與基於貝葉斯信息準則選擇的線性混合效應基線、GRU-D和STraTS進行了比較。跨五個隨機種子的測試結果顯示，所提出的模型在所有報告指標上均取得了最佳平均性能：相對於混合效應基線，均方誤差（MSE）降低了13.1%，預測與觀測的相關性提高了26.4%。同時，該模型在平均誤差和相關指標上也優於GRU-D和STraTS，顯示出統計錨定和間隙感知殘差學習的優勢。
這些發現表明，統計錨定和間隙感知殘差學習為中期阿爾茨海默病進展預測提供了有效的結構。該模型有望幫助臨牀醫生更早地識別高風險患者，優化臨牀試驗設計，併為個體化治療策略提供依據。研究還指出，未來工作可以探索將更多生物標誌物（如腦脊液和影像學數據）納入模型，並驗證其在其他隊列中的泛化性。