인지트윈(CognitiveTwin): 알츠하이머병 환자의 인지 기능 저하 예측을 위한 강력한 다중 모드 디지털 트윈

CognitiveTwin: Robust Multi-Modal Digital Twins for Predicting Cognitive Decline in Alzheimer's Disease

알츠하이머병(AD) 환자의 개별적인 인지 기능 저하 예측은 질병 진행의 이질성 때문에 어렵습니다. 신뢰할 수 있는 임상 도구는 높은 정확도뿐만 아니라 인구 통계학적 특성 간의 공정성 및 결측 데이터에 대한 강건성도 요구합니다. 본 논문에서는 환자별 인지 기능 경로를 예측하는 디지털 트윈 프레임워크인 CognitiveTwin을 소개합니다. 이 모델은 다중 모드 장기 데이터를 통합합니다(인지 점수, 자기 공명 영상, 양전자 방출 단층 촬영, 뇌척수액 바이오마커 및 유전 정보). 우리는 이러한 모달리티를 융합하기 위해 Transformer 기반 아키텍처를 사용하고, 시간적 동역학을 포착하기 위해 Deep Markov Model을 사용합니다. 우리는 TADPOLE(알츠하이머병 신경 영상 이니셔티브) 데이터 세트의 1,666명의 환자 데이터를 사용하여 프레임워크를 학습하고 평가했습니다. 우리는 모델의 예측 오류, 인구 통계학적 공정성 및 결측값(MNAR) 패턴에 대한 강건성을 평가했습니다. CognitiveTwin은 정확하고 개인화된 인지 기능 저하 예측을 제공합니다. 환자 인구 통계학적 특성 간의 공정성이 입증되었고, 임상 데이터 누락에 대한 강한 회복력을 보여주어 임상 시험 대상자 선정 및 개인 맞춤형 치료 계획 수립을 위한 신뢰할 수 있는 도구입니다.

Predicting individual cognitive decline in Alzheimer's disease (AD) is difficult due to the heterogeneity of disease progression. Reliable clinical tools require not only high accuracy but also fairness across demographics and robustness to missing data. We present CognitiveTwin, a digital twin framework that predicts patient-specific cognitive trajectories. The model integrates multi-modal longitudinal data (cognitive scores, magnetic resonance imaging, positron emission tomography, cerebrospinal fluid biomarkers, and genetics). We use a Transformer-based architecture to fuse these modalities and a Deep Markov Model to capture temporal dynamics. We trained and evaluated the framework using data from 1,666 patients in the TADPOLE (Alzheimer's Disease Neuroimaging Initiative) dataset. We assessed the model for prediction error, demographic fairness, and robustness to missing-not-at-random (MNAR) data patterns. ognitiveTwin provides accurate and personalized predictions of cognitive decline. Its demonstrated fairness across patient demographics and resilience to clinical dropout make it a reliable tool for clinical trial enrichment and personalized care planning.