Forecasting Medium-Horizon Alzheimer's Disease Progression: Residual Gap-Aware Transformers for 24-Month CDR-SB Change from ADNI Clinical and Biomarker Histories

En 3 lignesModèle transformer résiduel sensible aux lacunes temporelles pour prédire la progression de la maladie d'Alzheimer sur 24 mois. Entraîné sur 2 600 échantillons ADNI, il réduit l'erreur quadratique de 13,1% et augmente la corrélation de 26,4% par rapport à un modèle linéaire mixte, en combinant une référence statistique avec apprentissage résiduel sur historiques cliniques et biomarqueurs irréguliers.

Résumé généré par Claude — vérifié par l'humain