論文の概要: Uncertainty-Aware Longitudinal Forecasting of Alzheimer's Disease Progression Using Deep Learning

• arxiv url: http://arxiv.org/abs/2606.24604v1
• Date: Tue, 23 Jun 2026 14:04:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.996068
• Title: Uncertainty-Aware Longitudinal Forecasting of Alzheimer's Disease Progression Using Deep Learning
• Title（参考訳）: 深層学習を用いたアルツハイマー病進行の不確実性を考慮した縦断的予測
• Authors: Arya Hariharan, Shreyank N Gowda, Anala M R,
• Abstract要約: 本稿では,オーディナル診断予測,マルチ水平軌道生成,不確実性推定を組み合わせた確率的フレームワークを提案する。 ADNIでは、リニア、リカレント、トランスフォーマーのベースラインを上回り、次世代の診断予測を行う。
• 参考スコア（独自算出の注目度）: 10.269961654607108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Longitudinal modelling of Alzheimer's disease progression is clinically useful only if it can describe not just the most likely next diagnosis, but how a patient may evolve over time and how reliable that forecast is. Most deep learning approaches reduce this problem to single-step classification, treating cognitively normal, mild cognitive impairment, and dementia as flat categories while providing limited insight into how uncertainty accumulates across future visits. We propose a probabilistic framework that combines ordinal diagnosis prediction, multi-horizon trajectory generation, and decomposed uncertainty estimation. A Temporal Fusion Transformer encoder is adapted with a CORAL ordinal output layer, asymmetric loss weighting, and converter oversampling to respect disease-stage ordering and improve sensitivity to MCI-to-dementia transitions. Conditioned on the learned patient-context representation, an autoregressive Mixture Density Network generates five-year probabilistic trajectories for diagnosis state, CDR Sum of Boxes, MMSE orientation, and hippocampal volume. On ADNI, the model outperforms linear, recurrent, and transformer baselines for next-visit diagnosis prediction, with the strongest gains on MCI-versus-dementia discrimination. Generated trajectories achieve near-nominal 90% credible interval coverage, widening uncertainty across the forecast horizon, and biomarker dynamics consistent with expected Alzheimer's disease progression. We further separate aleatoric from epistemic uncertainty using analytic mixture variance and a five-member bootstrap ensemble, which provides the strongest encoder diversity and output-level epistemic signal. Epistemic uncertainty is higher for rare progression archetypes, MCI and dementia patients, and under external evaluation on OASIS-3, where it increases alongside prediction error.
• Abstract（参考訳）: アルツハイマー病の進行の経時的モデリングは、最も可能性の高い次の診断だけでなく、患者が時間とともにどのように進化し、その予測がどれだけ信頼できるかを記述できる場合にのみ臨床的に有用である。 ほとんどのディープラーニングアプローチは、この問題を単一段階の分類に還元し、認知的正常、軽度認知障害、認知症をフラットなカテゴリーとして扱いつつ、将来の訪問で不確実性がどのように蓄積されるかについての限られた洞察を与えている。 本稿では, オーディナル診断予測, マルチ水平軌道生成, 分解不確実性推定を組み合わせた確率的フレームワークを提案する。 テンポラルフュージョントランスフォーマーエンコーダは、コーラルオーディショナル出力層、非対称損失重み付け、コンバータオーバーサンプリングにより、病期順応を尊重し、MCI−Dementia遷移に対する感受性を向上させる。 学習した患者コンテキスト表現に基づいて、自己回帰混合密度ネットワークは、診断状態、箱のCDR Sum、MMSE配向、海馬容積の5年間の確率的軌跡を生成する。 ADNIでは, 線形, 再帰的, 変圧器ベースラインの次視診断予測に優れ, MCI-versus-dementia の識別に最も寄与する。 生成した軌道は、約90%の信頼区間をカバーし、予測地平線を越えて不確実性を広げ、予想されるアルツハイマー病の進行と整合したバイオマーカーのダイナミクスを達成している。 さらに,解析的混合分散と5員のブートストラップアンサンブルを用いて,アレタリックをてんかん性不確実性から分離し,最も強力なエンコーダの多様性と出力レベルのてんかん信号を提供する。 難治性進行型, MCI, 認知症, およびOASIS-3の外部評価では, 予測誤差とともに増大する。

関連論文リスト

• Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data [0.9786690381850356]
  アルツハイマー病(AD)は、重症度を評価するための正確でスケーラブルなツールを必要とする。 自動かつ解釈可能なAD重度ステージングのための順序回帰を用いた注目強化型機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-10T08:26:11Z)
• Transition-Based Digital Twin Modelling for Alzheimer's Disease under Sparse Longitudinal Data [4.4427416958561405]
  アルツハイマー病(AD)の進行は非常に異質であり、通常はスパースと不規則な経時的データによって観察される。 多モード長手データを用いたAD予測とシナリオベース分析のための個人化ディジタルツインフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-08T15:54:10Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Dual Model Deep Learning for Alzheimer Prognostication [4.970364068620607]
  PROGRESSは単一の脳脊髄液バイオマーカー評価を実行可能な予後推定に変換する。 深層生存モデルでは、軽度認知障害から認知症への転換までの時間を推定する。 コックス比例リスク、ランダムサバイバルフォレスト、および生存予測のための勾配促進法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-22T07:08:20Z)
• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• Diffusion with a Linguistic Compass: Steering the Generation of Clinically Plausible Future sMRI Representations for Early MCI Conversion Prediction [13.937881108738042]
  そこで本研究では,臨床応用可能な将来のsMRI表現を直接ベースラインデータから合成する拡散型フレームワークを提案する。 ADNIとAIBLのコホートの実験では、MCI-Diffは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-05T07:01:05Z)
• Dynamic Classification of Latent Disease Progression with Auxiliary Surrogate Labels [4.997489272248076]
  進化する健康情報に基づく疾患進展予測は、真の疾患状態が不明な場合に困難である。 我々は,主観的ラベルを用いた適応的前方回帰アルゴリズムを開発した。 漸近特性が確立され, 有限試料による顕著な改善が示された。
  論文  参考訳（メタデータ） (2024-12-11T04:14:15Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。