Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts
本文介绍了 NITROGEN，一种无需填补的 Transformer 模型，该模型通过直接从部分观测数据中学习，而不依赖于可能引入偏差的填补策略，从而在异质临床队列中实现了稳健的阿尔茨海默病预测和校准的不确定性量化。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你正在试图解开一个巨大且复杂的谜题：预测一个人是否患有阿尔茨海默病。通常，医生和计算机尝试通过观察大量的线索来解决这个问题：脑部扫描（MRI）、基因测试（如 APOE 基因）、脑脊液样本、记忆测试评分，以及年龄和受教育程度等基本信息。
但现实生活中的情况是混乱的：并非每个人都拥有所有的拼图碎片。 有些患者有很棒的脑部扫描，但没有脑脊液测试；有些人有基因数据，但没有记忆评分；还有些人除了年龄之外，几乎丢失了所有信息。
旧方法：“假装知道”（以及它为何失败）
多年来，处理这些缺失部分的标准方法是猜测它们可能是什么。计算机会根据它所了解的其他人的信息，填补空白，生成“合成”或虚构的数字。论文称这种策略为“先填补再预测”（impute-then-predict）。
作者认为这是一个糟糕的主意。这就像是通过编造虚假证据来试图破解一个谜团。如果你猜测一个患者的脑脊液水平，你可能会无意中创造出一个“幻影”线索来误导计算机。计算机随后可能会说：“我有 99% 的把握确定此人患有阿尔茨海默病！”，并表现得极其自信，尽管这种自信是建立在谎言之上的。这会导致过度自信的预测，这在医学领域是非常危险的。
新英雄：NITROGEN
于是，NITROGEN 登场了（No-imputation Inter-sample-attention TRansformer Oriented for GENeral datasets）。把 NITROGEN 想象成一位拒绝瞎猜的超级聪明侦探。
它不去填补空白，而是观察那些确实存在的线索，并说：“好吧，我就用现有的东西来工作。”它使用了一种叫做**掩码注意力（masked attention）**的特殊技巧。想象你在读一个有些单词被涂黑了的故事。与其试图猜测那些缺失的单词，NITROGEN 只是简单地忽略掉被涂黑的部分，并专注于可见的单词。它学习理解它所能看到的线索之间的关系，而绝不发明虚假的线索。
但 NITROGEN 还有第二个超能力：样本间注意力（Intersample Attention）。当它观察一个患者的缺失部分时，它也会观察房间里的其他患者。如果患者 A 缺少脑部扫描，但看起来非常相似的患者 B 有一份扫描，NITROGEN 可以借鉴那个背景信息来做出更好的判断。它从整个群体中学习，而不只是针对个体。
大考：它能应对真实的混乱吗？
研究人员在名为 ADNI 的大规模数据集（包含 7,858 份扫描件）上训练了 NITROGEN，然后，在没有额外训练的情况下，将它投入到深水区，看它是否能处理两组完全不同的人群：
- OASIS-3（2,675 份扫描件）：一组特征非常不同的群体（主要是健康人群，阿尔茨海默病病例极少）。
- AIBL（1,286 份扫描件）：一个带有其独特特性的澳大利亚研究项目。
结果：
- 它没有崩溃。 即使面对与它所学内容截然不同且混乱的数据，NITROGEN 依然保持冷静。
- 它是诚实的。 与其他计算机模型（如流行的基于树的模型）不同，那些模型在犯错时会表现出过度自信，而 NITROGEN 提供了**经过校准的（calibrated）**答案。这意味着，如果它说有 75% 的概率患病，那么它在实际情况下的准确率确实是 75%。
- 它知道何时说“我不知道”。 团队添加了一个特殊功能：如果一个关键线索（如脑部扫描）缺失，NITROGEN 会自动发出“不确定性”警报。这就像一个侦探说：“由于最重要的证据缺失，我还无法破解这个谜题，”而不是瞎猜并出错。
“神奇”线索：颞极（The Temporal Pole）
研究人员问道：“哪一个是单一最重要的线索？”他们发现，在所有不同的群体和计算机模型中，一个特定的脑区始终是核心主角：颞极（大脑侧面非常靠前的一个微小区域）。
- 发现： 这个特定脑区的厚度是阿尔茨海默病的一个重要指标。
- 陷阱： 论文测试了仅凭这一个线索是否足以解开整个谜题。答案是：不。 虽然颞极是一个强有力的信号，但仅凭它不足以做出完美的诊断。你仍然需要其他的线索（年龄、遗传学等）才能得到可靠的答案。论文表明，虽然这个脑区是一个一致的“英雄”，但它需要一个团队才能赢得比赛。
底线
这篇论文表明，对于医疗 AI 而言，要真正发挥作用，它需要停止假装自己无所不知。它需要能够处理缺失数据而不进行伪造，能够承认自己的不确定性，并且对其信心保持诚实。NITROGEN 展示了通过这样做，我们可以构建出不仅聪明，而且足够可靠以帮助医生在现实世界中工作的模型，因为在现实世界中，数据很少是完美的。
作者利用来自数千人的真实数据测量了这一点。他们发现，虽然 NITROGEN 在每一个单独的测试中并不总是速度最快或得分最高的模型，但它是最可靠且最诚实的一个，尤其是在数据混乱或与训练数据不同时。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。