Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction

阿尔茨海默病（AD）是一种神经退行性疾病，其进展速度因个体而异，而与皮层厚度（CTh）的变化密切相关。准确地预测CTh轨迹可以显著提高早期诊断和干预策略，提供及时的护理。然而，这些研究所需的纵向数据经常存在时间上的稀疏和不完整，这在准确建模疾病进展方面提出了重大挑战。现有方法受限，主要关注没有缺失条目的数据集或需要预先定义有关CTh进展的假设。为了克服这些障碍，我们提出了一种特别设计用于生成CTh轨迹的条件基于分数的扩散模型，该模型具有给定基线信息（例如年龄、性别和初步诊断）的能力。我们的条件扩散模型利用训练阶段的所有可用数据，在推断期间仅基于基线信息进行预测，而无需先前的CTh进展历史。使用基于条件分数的模型提出的CTh预测流程的预测准确性，对由认知正常、轻度认知障碍和AD受试者组成的亚组进行了比较。Bland-Altman分析显示，我们的基于扩散的预测模型在6-36个月内与基准CTh相比具有接近零的偏差和较窄的95％置信区间。此外，我们的条件扩散模型具有随机生成的特性，因此，我们通过多个实现演示了患者特异性CTh预测的不确定性分析。

论文旨在解决阿尔茨海默病（AD）患者的大脑皮层厚度（CTh）预测问题，尤其是针对缺失数据和时间间隔不均的情况。

论文提出了一个基于条件分数扩散模型的CTh预测方法，该方法利用基线信息（如年龄、性别和初始诊断）生成CTh轨迹，不需要CTh历史信息。该模型具有随机生成性质，可以通过多次实现进行患者特定的CTh预测不确定性分析。

论文使用Bland-Altman分析展示了所提出的模型与基准CTh在6-36个月内具有接近零偏差和窄的95％置信区间。实验结果表明，该模型在认知正常、轻度认知障碍和AD患者的子组中均具有较高的预测准确性。论文还提供了数据集和开源代码。

相关研究包括使用深度学习模型进行AD预测和CTh预测，以及基于机器学习和图像处理的神经影像分析方法。例如，题为“Longitudinal prediction of Alzheimer's disease progression with nested self-normalization and autonomous diagnosis”的论文使用自归一化神经网络模型进行AD预测。