몇 개의 이전 스캔 데이터를 통해 피질하 구조(subcortical structure)의 형태가 어떻게 진화할지 예측하는 것은 예후 진단 및 임상 시험 강화(clinical-trial enrichment)를 지원할 수 있습니다. 기존의 종단적 메쉬 예측기(longitudinal mesh predictors)는 고차원 임베딩을 통해 형태 궤적을 외삽하거나 정점 변형(vertex deformations)을 직접 회귀합니다. 대신, 우리는 연속 시간(continuous time)에서 표면의 내재적 기하학(intrinsic geometry)을 예측합니다. 단일 구조별 그래프 네트워크(graph network)는 선행 시간(lead time)의 푸리에 인코딩(Fourier encoding)을 조건으로 하여, 임의의 인과적 다회 방문 이력(causal multiple-visit history)과 임의의 예측 지평(prediction horizon)에 대해 각 정점별 미래 제1 기본 형식(first fundamental form, 메트릭 텐서)을 예측합니다. 예측된 메트릭은 미분 가능한 As-Rigid-As-Possible(ARP) 솔버를 통해 표면으로 디코딩되며, 모델은 강체 정렬된 정점 오차(rigid-aligned vertex error)를 바탕으로 엔드투엔드(end-to-end)로 학습됩니다. 재구성을 통한 학습은 디코딩된 예측값이 유효한 표면을 유지하도록 하며 일관되게 개선합니다. ADNI 데이터셋의 14개 피질하 구조에 대해, 제안된 메쉬 진화 모델(MT-GNN)은 모든 지평에서 평가된 방법들 중 가장 우수한 예측 성능을 보였습니다(시간적 평균 대비 평균 정점 오차 $-2.29%$, $p=6.1\times10^{-5}$, 14개 구조 모두에서 우세). 이는 측지선 형태 회귀(geodesic shape regression, DCM, $-0.19%$) 및 메쉬 트랜스포머(mesh transformer, TransforMesh, $-0.45%$; $p=1.2\times10^{-4}$)보다 앞선 결과이며, 예측 지평이 길어질수록 그 격차는 더욱 벌어집니다.