Resumen: Comprender las interacciones entre biomarcadores entre regiones del cerebro durante la enfermedad neurodegenerativa es esencial para desentrañar los mecanismos subyacentes a la progresión de la enfermedad. Por ejemplo, los modelos fisiopatológicos de la enfermedad de Alzheimer (EA) suelen describir cómo variables, como los niveles regionales de proteínas tóxicas, interactúan espaciotemporalmente dentro de un sistema dinámico impulsado por un sustrato biológico subyacente, a menudo basado en la conectividad cerebral. Sin embargo, los métodos actuales simplifican demasiado la compleja relación entre la conectividad cerebral al asumir un conectoma cerebral de modalidad única como sustrato de propagación de la enfermedad. Esto conduce a predicciones inexactas de la propagación de la patología, especialmente durante el período de progresión a largo plazo. Mientras tanto, otros métodos para aprender un gráfico de este tipo de forma puramente basada en datos enfrentan el problema de la identificabilidad debido a la falta de una restricción adecuada. Por lo tanto, presentamos un marco novedoso que utiliza modelos de lenguaje grande (LLM) como guías expertas sobre la interacción de variables regionales para mejorar el aprendizaje de la progresión de la enfermedad a partir de datos longitudinales de pacientes muestreados de manera irregular. Al aprovechar la capacidad de los LLM para sintetizar relaciones multimodales e incorporar diversos mecanismos que impulsan enfermedades, nuestro método optimiza simultáneamente 1) la construcción de trayectorias de enfermedades a largo plazo a partir de observaciones a nivel individual y 2) la estructura gráfica biológicamente restringida que captura interacciones entre regiones del cerebro con mejor identificabilidad. Demostramos el nuevo enfoque estimando la propagación de la patología utilizando datos de imágenes de tau-PET de una cohorte de enfermedad de Alzheimer. El nuevo marco demuestra una precisión e interpretabilidad de predicción superiores en comparación con los enfoques tradicionales, al tiempo que revela factores adicionales que impulsan enfermedades más allá de las medidas de conectividad convencionales.
Publicado originalmente en export.arxiv.org el 17 de noviembre de 2025.
Ver fuente original
