데이터 부족 환경에서 TabPFN을 활용한 경도인지장애에서 알츠하이머병으로의 전환 예측 연구

Evaluating TabPFN for Mild Cognitive Impairment to Alzheimer's Disease Conversion in Data Limited Settings

경도인지장애(MCI)에서 알츠하이머병(AD)으로의 전환 예측은 조기 개입에 필수적이지만, 제한적인 종단 데이터로 인해 신뢰성 있는 예측 모델을 개발하는 것은 어렵습니다. 본 연구에서는 ADNI에서 파생된 TADPOLE 데이터셋을 사용하여, TabPFN(Tabular Pre-Trained Foundation Network)을 전통적인 머신러닝 방법과 비교하여 3년 동안의 MCI에서 AD로의 전환을 예측하는 성능을 평가했습니다. 인구통계학적 정보, APOE4, MRI 볼륨, 뇌척수액 마커 및 PET 이미징에서 추출된 다중 양방향 바이오마커 특징을 사용하여, XGBoost, Random Forest, LightGBM, 그리고 로지스틱 회귀 모델을 포함한 다양한 학습 데이터 크기(N=50에서 1000)에 걸쳐 실험적 비교를 수행했습니다. TabPFN은 가장 높은 성능(AUC=0.892)을 달성했으며, LightGBM(AUC=0.860)보다 우수한 성능을 보였으며, 특히 데이터가 부족한 환경에서 강점을 나타냈습니다. 학습 샘플 수가 N=50인 경우, TabPFN은 여전히 높은 AUC 값을 유지했지만, 전통적인 머신러닝 모델은 작은 학습 샘플 환경에서 어려움을 겪었습니다. 이러한 결과는 데이터가 제한된 시나리오, 특히 알츠하이머병과 같은 질병 예측에 있어 파운데이션 모델이 유망하다는 것을 보여줍니다.

Accurate prediction of conversion from Mild Cognitive Impairment (MCI) to Alzheimers Diseases (AD) is essential for early intervention, however, developing reliable conversion predictive models is difficult to develop due to limited longitudinal data availability We evaluate TabPFN (Tabular Pre-Trained Foundation Network) against traditional machine learning methods for predicting 3 year MCI to AD conversion using the TADPOLE dataset derived from ADNI. Using multimodal biomarker features extracted from demographics, APOE4, MRI volumes, CSF markers, and PET imaging, we conducted an experimental comparison across varying training set sizes (N=50 to 1000) and models including XGBoost, Random Forest, LightGBM, and Logistic Regression. TabPFN achieved one the highest performance (AUC=0.892), outperforming LightGBM (AUC=0.860) and demonstrating advantages in low data settings. At N=50 training samples, TabPFN maintained strong AUC while the traditional machine learning models struggles at small training samples. These findings demonstrate that foundation models are promising for disease prediction in data limited scenarios, such as Alzheimers diseases.