NeuralODE for modeling alzheimer's disease progression with sparse and multimodal data

Alzheimer's disease is a neurodegenerative disorder whose progression is highly variable between patients, so the diagnosis is very complex and can be based on a large pool of exams. These limitations make it hard for clinicians to provide a reliable patient-specific prognosis and care plan. Data-driven Disease Progression Models are an emerging tool to address this issue, but typically they only consider a few medical exams and require large homogeneous data, which are rarely available in clinical practice. In this work, we propose a novel Disease Progression Model that can predict the patient-specific disease trajectory from sparse, irregularly sampled and highly multi-modal clinical data. The model uses an architecture similar to an autoencoder to learn a compressed representation of the patient's health state, this allows it to handle sparse and highly multi-modal data without overfitting. We use Neural Ordinary Differential Equations to model the evolution over time of this compressed representation; this architecture produces a continuous output and can handle the irregular sampling. The model we developed outperforms a standard LSTM-based approach on a clinical dataset and can improve the accuracy of the diagnosis in early-stage manifestations of the disease. Our numerical test cases show that the model can find a compressed representation of the patient's data, which enables it to predict its trajectory accurately. Furthermore, the model identifies trends between biomarkers that are validated by the state-of-the-art clinical literature.

La malattia di Alzheimer è una patologia neurodegenerativa la cui progressione ha un'alta variabilità tra i pazienti, per cui la diagnosi è molto complessa e può dipendere da un'ampia gamma di esami. Queste limitazioni rendono difficile fornire in maniera affidabile una diagnosi e un piano di cura specifici per il paziente. I modelli data-driven di progressione della patologia sono uno strumento innovativo per affrontare questo problema, ma tipicamente considerano solo poche tipologie di esami e richiedono numerosi dati omogenei, che raramente sono disponibili nella pratica clinica. In questo lavoro presentiamo un nuovo modello di progressione della patologia in grado di prevedere l'evoluzione della malattia, specifica per ciascun paziente, basandosi su dati clinici sparsi, campionati irregolarmente e altamente multimodali. Il modello usa un'architettura analoga ad un autoencoder per apprendere una rappresentazione compressa dello stato di salute del paziente, questo gli permette di gestire dati sparsi e altamente multimodali senza overfitting. Utilizziamo le Equazioni Differenziali Ordinarie Neurali per modellare la progressione nel tempo di questa rappresentazione compressa; questa architettura produce una previsione continua e può gestire dati campionati irregolarmente. In un dataset clinico il modello che abbiamo sviluppato ha performance migliori rispetto ad un approccio standard basato su LSTM ed è in grado di migliorare la precisione della diagnosi per i pazienti in uno stadio iniziale della malattia. La nostra analisi numerica del modello mostra che questo ha appreso una rappresentazione compressa dei dati del paziente, che gli permette di predirne l'evoluzione in maniera accurata. Inoltre il modello ha identificato diverse caratteristiche della malattia che sono validate dalla letteratura clinica di riferimento.