Naukowcy z arXiv zaproponowali ramach pracy DCP, czyli Disease Continuum Positioning - nowatorskie podejście do modelowania postępu choroby Alzheimera jako kontinuum biologicznego, a nie jako skokowych zmian między stanami. Metoda opiera się na longitudinalnym uczeniu bayesowskim, które integruje serię badań DTI (diffusion tensor imaging) z czasem, pozwalając na ciągłą ocenę nasilenia choroby.
Kluczową innowacją jest wyprowadzony z tego modelu wskaźnik DCS (Disease Continuum Score), który określa pozycję pacjenta na kontinuum Alzheimera razem z miarą niepewności. W odróżnieniu od tradycyjnych podejść AI do neuroobrazowania, które przewidują albo dyskretne diagnozy, albo oceny kliniczne na podstawie pojedynczych zdjęć, DCP modeluje chorobę jako zmienną utajoną w niskiej wymiarze, łącząc obserwacje longitudinalne ze słabym nadzorem klinicznym. To pozwala uchwycić rzeczywistą dynamikę progresji choroby.
Badania na kohorcie ADNI (Alzheimer's Disease Neuroimaging Initiative) wykazały, że DCS konsekwentnie przewyższa istniejące metody przewidywania progresji choroby. Co ważne, walidacja wykazała, że nowy wskaźnik dokładnie charakteryzuje nasilenie choroby, ma silne znaczenie kliniczne, prawidłowo oddaje ewolucję longitudinalną i skutecznie przewiduje przyszłą konwersję diagnostyczną. Metodę tę można zastosować do ciągłego monitorowania pacjentów poza tradycyjnymi etykietami diagnostycznymi i skalami klinicznymi.