Врач держит в руках стопку анализов, сделанных в разное время. По отдельности каждый листок — лишь фотография одного дня, а хочется увидеть целый фильм о том, как развивалась болезнь. Нейросеть Tempo учится склеивать такие разрозненные кадры в плавную ленту.
Обычные событийные модели (EBM) похожи на археолога, который может лишь сказать, что горшок старше монеты, но не знает, на сколько веков. Tempo работает иначе. Его тренируют на десятках тысяч вымышленных историй пациентов, где заранее известно, в каком порядке и с какой скоростью появлялись отклонения в биомаркерах (измеримых признаках болезни). Как ребёнок, который учится ходить, сначала падая, нейросеть нарабатывает чутьё на типичные траектории недуга.
На выдуманных тестах Tempo ошибался в очерёдности событий вдвое меньше прежних лидеров, а в случаях с десятками биомаркеров — почти втрое. Когда алгоритму скормили реальные данные пациентов с болезнью Альцгеймера (проект ADNI), он выстроил такую цепочку: сперва усыхают височные доли мозга, затем копится амилоид — липкий белок, засоряющий межклеточное пространство, — и только потом заметно слабеет память. На поздних стадиях появляется другой белок, тау-белок, и разрушение мозга резко ускоряется. Эта последовательность совпадает с тем, что врачи знали и раньше, но теперь она получена без единой ручной подсказки.
Раньше для каждой новой гипотезы о течении болезни учёным приходилось выводить сложные формулы. Tempo же — как универсальный фотоаппарат, которому неважно, что снимать: лица, пейзажи или микробов. Он быстро перебирает разные предположения и показывает, какое лучше ложится на данные. Стопка анализов в руках врача наконец превращается в настоящий фильм.
как её написали авторы, на английском arXiv:2604.23368
Event-Based Models (EBMs) infer biomarker progression from cross-sectional data but typically only as ordinal sequences and rely on rigid model assumptions. We propose \textsc{Tempo}, a Transformer architecture that learns both ordinal and continuous event sequences through simulation-based supervised learning. \textsc{Tempo} uses two Transformer modules: one treats biomarkers as tokens to infer event sequencing; the other treats patients as tokens, representing each by their per-biomarker abnormality profile, to infer patients' disease stages. On synthetic benchmarks, \textsc{Tempo} reduces normalized Kendall's Tau distance by 52.89\% and staging MAE by 25.33\% compared to state-of-the-art SA-EBM, with larger reductions in high-dimensional settings (58.88\% and 61.10\%). Applied to ADNI, \textsc{Tempo} recovers a biologically plausible Alzheimer's progression: early medial temporal atrophy, followed by amyloid accumulation and cognitive decline, and late-stage tau pathology with terminal acceleration of global neurodegeneration -- broadly consistent with established disease models. \textsc{Tempo} also eliminates the need to derive custom inference algorithms and enables rapid empirical comparison of generative hypotheses.
Слово «биомаркер» звучит заумно, но по сути это просто измеряемый след болезни. Уровень сахара в крови — такой же биомаркер, как и количество вредного белка в спинномозговой жидкости.
Идея предсказывать будущее пациента по разрозненным данным напоминает «Особое мнение» Филипа Дика, но вместо трёх провидцев здесь работает нейросеть, обученная на миллионах симуляций.