利用常规数据在资源受限环境中重建和预测阿尔茨海默病患者疾病轨迹

阿尔茨海默病是一种进行性神经退行性疾病，其进展速度在不同患者之间差异巨大。现有研究大多聚焦于预测患者未来的认知状态，而很少关注如何从过去的不规律就诊记录中重建完整的疾病轨迹。此外，当前的研究在量化预测不确定性方面仍显不足，并且常常依赖于昂贵的检查手段如磁共振成像（MRI）、正电子发射断层扫描（PET）和脑脊液（CSF）检测，这使得这些方法在资源有限的地区难以广泛应用。

针对这些挑战，本研究提出了一种名为GNOVA的统一框架——一种结合门控循环单元（GRU）和神经常微分方程（Neural ODE）的变分自编码器（VAE）。该框架旨在实现以下四个主要目标：第一，从不规律的就诊数据中双向预测认知评分，从而呈现完整的疾病轨迹；第二，提供插值和外推能力，帮助临床医生做出知情的预后决策；第三，为所有预测提供校准良好的不确定性估计；第四，仅利用常规就诊即可获得的数据达成上述所有目标。

GNOVA的架构将GRU编码器与神经ODE解码器集成在变分自编码器中。GRU编码器能够处理任意时间点上的任意数量的输入，而神经ODE解码器则进行连续时间估计，使得模型可以在任意时间点进行插值和外推。变分自编码器部分则为预测提供了不确定性估计。

研究团队使用了阿尔茨海默病神经影像学倡议（ADNI）数据集中的1727名患者数据，时间跨度长达10年。在不依赖任何神经影像或生物标志物数据的情况下，模型对CDR-SB评分和MMSE评分的平均绝对误差（MAE）分别达到了1.35和2.28。特征消融研究表明，年龄、体重指数（BMI）和APOE4基因型是关键的预测因子。该框架能够重建不完整的患者病史，并预测未来的认知状态，为资源受限环境下的阿尔茨海默病管理提供了强有力的工具。

该工作的意义在于，它打破了传统方法对昂贵检测手段的依赖，仅通过常规临床数据（如年龄、体重、血液检测和认知问卷）即可实现准确的疾病轨迹重建和预测。这对于医疗资源匮乏的地区尤为重要，因为这些地区往往无法频繁进行MRI或PET扫描。GNOVA框架不仅提高了预测的准确性，还提供了不确定性区间，使临床医生能够更好地评估预测的可信度。此外，该模型在插值和外推方面的能力，使其能够弥补就诊记录中的缺失数据，并为患者提供个性化的疾病进展视图。