パーキンソン病（PD）は、脳の形態が個人によって異なる進行パターンを示します。本研究では、これらの長期的な軌跡をモデル化することで、メカニズムの理解、治療法の開発、個別化された予測を可能にする新しい手法CNODE（条件付きニューラルODE）を提案します。従来の手法は通常、再帰的神経ネットワークやトランスフォーマーに依存しており、定期的にサンプリングされたデータに頼っているため、不規則でスパースなMRIデータには対応が困難でした。CNODEは、脳の形態変化を連続的な時間プロセスとしてモデル化し、患者ごとの初期時期や進行速度を学習して、個別の軌跡を共通の進行軌跡に整列させます。パーキンソン病進行マーカーイニシアティブ（PPMI）データセットを用いた検証により、この手法は従来の先端技術を上回る予測精度を示しました。研究は2025年のIEEE国際バイオインフォマティクスおよびバイオメディスン会議（BIBM）に採択されました。