알츠하이머병 진행의 단계 인지적 인과 모델링을 위한 잠재 시간 임베딩 기반 베이지안 네트워크 (Bayesian Networks with

알츠하이머병 (Alzheimer's disease, AD) 진행은 흔히 아밀로이드-타우-신경퇴행, 즉 AT(N) 폭포 (cascade)를 통해 설명됩니다. 그러나 대부분의 종단적 모델 (longitudinal models)은 이 폭포를 고정된 바이오마커 시퀀스로 표현하거나 블랙박스 예측 (black-box forecasting) 작업으로 다룹니다. 이로 인해 생물학적으로 유도된 바이오마커 관계가 미래의 국소적 병리 (regional pathology)에 언제 영향을 미치는지 결정하기 어렵습니다. 본 연구에서는 AD 진행의 단계 인지적 모델링 (stage-aware modeling)을 위한 베이지안 구조적 프레임워크인 잠재 시간 임베딩 기반 베이지안 네트워크 (Bayesian Networks with Latent Time Embedding, BN-LTE)를 소개합니다. BN-LTE는 베이스라인 바이오마커 프로필로부터 질병 의사시간 (disease pseudotime)을 추정하며, 생물학적으로 타당한 AT(N) 순서에 따라 유향 의존성 (directed dependencies)을 제약합니다. 이후 사후 스플라인 변이 구조 방정식 (Posterior spline-varying structural equations)을 사용하여 초기 다중 모달 측정값과 미래의 연간 국소 타우-PET (tau-PET) 변화를 연결합니다. ADNI 데이터를 사용한 피험자 불일치 반복 평가 (repeated subject-disjoint evaluations) 전반에서, BN-LTE는 포함된 예측 베이스라인 (forecasting baselines)들과 비교하여 타우 진행의 강력한 공간적 재구성 (spatial reconstruction)을 보여줍니다. 공간적 재구성을 넘어, BN-LTE는 사후 단계 변이 AT(N) 제약 효과 (posterior stage-varying AT(N)-constrained effects)를 복원하고 아밀로이드 민감도의 중간 의사시간 창 (mid-pseudotime window)을 식별합니다. 이 창은 모델이 함의하는 g-formula 대조 (g-formula contrasts), 루트 조정 AIPW (root-adjusted AIPW), 메커니즘 민감도 제거 실험 (mechanism-sensitive ablations), 그리고 스플라인 및 사전 분포 사양 (prior specifications)에 대한 강건성 분석을 통해 뒷받침됩니다. 종합적으로, 이러한 발견은 BN-LTE를 관찰적 종단적 신경 영상 데이터에서 단계 의존적 AT(N) 폭포 메커니즘을 조사하는 동시에 타우 진행을 예측하기 위한 베이지안 구조적 프레임워크로 자리매김하게 합니다. 우리의 코드는 https://github.com/danleneurocom/BN-LTE 에서 확인할 수 있습니다.