要旨: イベントベースモデル（EBM）は、横断データからバイオマーカーの進行を推論するが、通常は順序（オーディナル）の列としてのみ推論され、また厳格なモデル仮定に依存している。そこで本研究では、シミュレーションベースの教師あり学習を通じて、順序と連続的なイベント列の両方を学習するトランスフォーマー・アーキテクチャである\textsc{Tempo}を提案する。\textsc{Tempo}は2つのトランスフォーマーモジュールを用いる: 1つはバイオマーカーをトークンとして扱い、イベントの順序付けを推論する。もう1つは患者をトークンとして扱い、各患者をそのバイオマーカーごとの異常度プロファイルによって表現して、患者の疾患ステージを推論する。合成ベンチマークにおいて、\textsc{Tempo}は、最先端のSA-EBMと比べて正規化KendallのTau距離を52.89\%、ステージングMAEを25.33\%低減する。高次元設定ではさらに大幅な低減（58.88\%と61.10\%）が見られる。ADNIに適用すると、\textsc{Tempo}は、生物学的にもっともらしいアルツハイマー病の進行を回復する: 早期の内側側頭葉の萎縮、その後のアミロイド蓄積と認知機能低下、そして終末期のタウ病理における全般的な神経変性の末期加速であり、確立された疾患モデルと概ね整合している。\textsc{Tempo}はまた、独自の推論アルゴリズムを導出する必要をなくし、生成仮説の迅速な実証的比較を可能にする。
TEMPO：断面データから時間的な疾患進行を推定するトランスフォーマー
arXiv cs.LG / 2026/4/28
📰 ニュースModels & Research
要点
- 本論文は、断面（横断）データからバイオマーカーの時系列的な進行を推定するためのTEMPOというTransformerベースのモデルを提案し、従来のイベントベースモデルが持つ「硬い仮定」や「順序（オーダー）のみの出力」といった限界を克服することを狙っています。
- TEMPOはシミュレーションに基づく教師あり学習によって、順序と連続量の両方のイベント系列を学習し、バイオマーカーをトークンとして扱ってイベントの並びを推定するモジュールと、患者をトークンとして扱い各バイオマーカーの異常度プロファイルから疾患ステージを推定するモジュールの2つのTransformerで構成されています。
- 合成ベンチマークでは、TEMPOは最先端のSA-EBMに比べて大幅に性能が向上し、正規化KendallのTau距離を52.89%低減し、ステージMAEを25.33%改善したほか、高次元設定ではさらに大きな改善（58.88%および61.10%）が示されています。
- ADNIデータセットに適用すると、アルツハイマー病の生物学的に妥当な進行パターン（初期の内側側頭葉萎縮、続くアミロイド蓄積と認知低下、後期のタウ病理と全般的な神経変性の末期加速）を回復できたと報告されています。
- 著者らは、TEMPOはカスタム推論アルゴリズムを要さず、生成仮説同士の実証的比較を迅速に行えるとも述べています。
