알츠하이머병의 인지 기능 저하를 정확하게 모델링하는 것은 조기 분류 및 개인 맞춤형 관리에 필수적입니다. 본 연구에서는 표 형식 예측 변수가 전반적인 위험 지표를 제공하지만, 미묘한 뇌 변화를 포착하는 능력은 제한적이라는 점에 주목하여, 표 형식 표현과 변환기 기반 자기 공명 영상(MRI) 임베딩의 예측 기여도를 평가합니다. 동적 시간 워핑 클러스터링을 기반으로 하는 궤적 인식 라벨링 전략을 도입하여 이질적인 인지 변화 패턴을 포착하고, 진행 라벨 없이 해부학을 보존하는 임베딩을 얻기 위해 조화 및 증강된 MRI 데이터에 대한 비지도 재구성을 통해 3D Vision Transformer(ViT)를 훈련시킵니다. 사전 훈련된 인코더 임베딩은 전통적인 기계 학습 분류기와 딥 러닝 헤드를 사용하여 평가하고, 표 형식 표현 및 컨볼루션 네트워크 기준선과 비교합니다. 결과는 여러 양상 간의 상호 보완적인 강점을 강조합니다. 임상 및 용적 특징은 경도 및 중증 진행 예측에서 약 0.70의 가장 높은 AUC를 달성하여 전반적인 저하 궤적을 포착하는 데 유용함을 강조했습니다. 반면, ViT 모델의 MRI 임베딩은 인지적으로 안정된 개인을 구별하는 데 가장 효과적이었으며 AUC는 0.71이었습니다. 그러나 모든 접근 방식은 이질적인 중간 그룹에서 어려움을 겪었습니다. 이러한 결과는 임상 특징이 고위험 극단점을 식별하는 데 뛰어나고, 변환기 기반 MRI 임베딩이 안정성의 미묘한 지표에 더 민감하다는 것을 나타내며, AD 진행 모델링을 위한 다중 모달 융합 전략을 제시합니다.
