[论文解读] Personalized Gaussian Processes for Future Prediction of Alzheimer's Disease Progression

Kelly Peterson, Ognjen Rudovic+2 more|arXiv (Cornell University)|Dec 1, 2017

Health, Environment, Cognitive Aging参考文献 24被引用 14

一句话总结

本文提出了一种个性化高斯过程（pGP）模型，通过序列领域自适应将群体水平的高斯过程回归模型适配至个体患者，从而实现从稀疏、多模态临床数据中对阿尔茨海默病进展指标（MMSE、ADAS-Cog13、CDRSB、CS）进行准确、概率性的预测。该方法通过利用患者特定的就诊历史和自回归建模，显著提升了标准群体水平高斯过程模型在未来预测中的准确性。

ABSTRACT

In this paper, we introduce the use of a personalized Gaussian Process model (pGP) to predict the key metrics of Alzheimer's Disease progression (MMSE, ADAS-Cog13, CDRSB and CS) based on each patient's previous visits. We start by learning a population-level model using multi-modal data from previously seen patients using the base Gaussian Process (GP) regression. Then, this model is adapted sequentially over time to a new patient using domain adaptive GPs to form the patient's pGP. We show that this new approach, together with an auto-regressive formulation, leads to significant improvements in forecasting future clinical status and cognitive scores for target patients when compared to modeling the population with traditional GPs.

研究动机与目标

• 解决由于临床数据稀疏、异质且多模态而导致的个体化阿尔茨海默病进展预测挑战。
• 开发一种个性化建模方法，随时间推移将群体水平趋势适配至个体患者。
• 通过结合群体建模与序列患者特定自适应，提升关键AD指标（MMSE、ADAS-Cog13、CDRSB、CS）的预测准确性。
• 减少纵向阿尔茨海默病研究中因疾病起病时间不确定性和缺失数据带来的偏差。
• 实现更早、更准确地预测认知功能下降，以支持临床试验设计与干预规划。

提出的方法

• 首先在1,737名ADNI患者的多模态数据（影像、认知评分、脑脊液指标、人口统计学）上训练一个群体水平的高斯过程（GP）模型。
• 然后通过序列领域自适应将该模型个性化至新患者，利用每次新就诊的临床数据逐步更新GP后验分布。
• pGP模型采用自回归公式，基于随时间演化的患者特定后验分布预测未来指标。
• 患者选择标准为就诊频率（≥10次）和低缺失数据比例（≤82.5%缺失特征），最终获得100名数据质量充足的患者队列。
• 该方法通过聚焦每次就诊中可用的特征，并利用高斯过程回归对预测中的不确定性进行建模，从而处理缺失数据。
• 通过利用先前就诊的后验分布更新GP超参数及预测均值/方差，实现模型个性化，支持动态适应。

实验结果

研究问题

• RQ1 与标准群体水平高斯过程模型相比，个性化高斯过程模型是否能提升阿尔茨海默病进展指标的未来预测准确性？
• RQ2 序列领域自适应在随时间推移将群体GP模型适配至个体患者方面效果如何？
• RQ3 在稀疏、多模态临床数据中，引入自回归公式在多大程度上提升了预测性能？
• RQ4 当应用于缺失数据水平较高且就诊频率不规则的患者时，pGP模型表现如何？
• RQ5 当仅提供部分数据时，pGP模型是否能可靠预测关键临床指标（MMSE、ADAS-Cog13、CDRSB、CS）？

主要发现

• 个性化高斯过程模型在预测阿尔茨海默病患者未来认知和临床评分方面，显著优于标准群体水平高斯过程模型。
• 该方法通过动态适应新患者数据，更有效地捕捉个体轨迹，从而实现了比静态群体模型更高的预测准确性。
• 自回归公式提升了预测的稳定性与不确定性估计，尤其在数据稀疏或就诊时间不规则的情况下表现更优。
• 该模型对缺失数据具有鲁棒性，在每位患者最多82.5%特征缺失的情况下仍能保持可靠的预测性能。
• 符合就诊频率与数据完整性标准的100名患者队列，提供了足够的数据质量以验证pGP的预测能力。
• 结果表明，pGP可支持更早、更准确地识别疾病进展，这对临床试验入组与干预规划至关重要。