阿尔茨海默病认知衰退的准确建模对早期风险分层和个性化管理至关重要。尽管表格预测因子能提供全局风险的稳健指标，但其捕捉细微脑部变化的能力仍然有限。本研究系统评估了表格数据与基于图像的表征方法在预测贡献方面的差异，特别聚焦于基于Transformer的磁共振成像（MRI）嵌入技术。
研究团队创新性地提出基于动态时间规整聚类的轨迹感知标记策略，以捕捉认知变化的异质模式，并通过对标准化和增强的MRI数据进行无监督重建训练3D视觉Transformer（ViT），从而在无需进展标签的情况下获得保持解剖结构特征的嵌入向量。预训练编码器嵌入随后使用传统机器学习分类器和深度学习头进行系统评估，并与表格表征及卷积网络基线进行对比分析。
研究结果突显了不同模态间的互补优势。临床和体积特征在预测轻度和重度认知衰退方面达到约0.70的最高AUC值，充分证明其在捕捉全局衰退轨迹方面的实用价值。相比之下，ViT模型生成的MRI嵌入在区分认知稳定个体方面表现最为突出，AUC值达0.71。然而，所有方法在处理异质性较强的中度衰退群体时均遇到挑战。
这些发现表明，临床特征在识别高风险极端情况方面具有优势，而基于Transformer的MRI嵌入则对稳定性细微标记更为敏感，这一认知为阿尔茨海默病进展建模提供了重要启示，有力支持了开发多模态融合策略的必要性。
评论：本研究已被2026年SPIE医学影像会议录用
【全文结束】
