알츠하이머병 (Alzheimer's disease) 환자가 경증 또는 중증의 질병 진행을 경험할지 예측하는 것은 개인 맞춤형 치료를 위해 필수적입니다. 일반적으로 의료 전문가들은 개인의 현재 MRI 부피 (MRI volume) 및 과거의 질병 궤적 (disease trajectory)을 조건으로 하여, 이산적인 질병 점수 (discrete disease score)의 분포를 예측하고자 합니다. 고전적인 통계적 회귀 모델 (statistical regression models)과 단일 작업 신경망 (single-task neural networks)은 이러한 목적에 적합하지 않은데, 그 이유는 개별 모델을 각각 맞추는 것이 불가능하기 때문이며 (각 개인은 일반적으로 관측치가 적기 때문에), 개인 수준의 상관관계 (individual-level correlation)를 무시하면 일반화 성능이 떨어지기 때문입니다. 반면, 메타 학습 (Meta-learning)은 재학습 없이 분포를 동적으로 예측하고 결과값과 공변량 (covariates) 사이의 비선형 관계를 모델링할 수 있는 자연스러운 경로를 제공합니다. 이에 착안하여, 우리는 여러 개인에 대해 학습되지만 각 개인의 과거 데이터에 맞추어 예측 질병 점수 분포를 조정하는 베이지안 메타 학습기 (Bayesian meta-learner)를 제안합니다. 우리의 모델은 재학습 없이도 보지 못한 개인에 대해 예측하며, 과거 관측치 수에 따라 선형적으로 확장되고, 결정론적 모델 (deterministic counterpart)과 비교했을 때 장기 질병 점수를 예측할 때 과잉 확신 (overconfident)을 덜 하도록 보장됩니다. 알츠하이머병 신경 영상 이니셔티브 (Alzheimer's Disease Neuroimaging Initiative, ADNI) 데이터베이스의 실제 데이터를 사용한 결과, 우리 모델은 단일 작업 모델 및 결정론적 메타 학습기 모두와 경쟁할 만한 성능을 달성하였으며, 특히 장기 질병 진행을 예측할 때 성능을 실질적으로 향상시켰습니다.