阿尔茨海默（AD）是一种高度异质性的疾病，即在临床表现和神经生物标记上表现为显著的个体差异。这些差异包括遗传基础、症状表现、发病年龄、发病轨迹和严重程度、生物标记物、合并症和脑萎缩模式。然而传统的统计分析聚焦于组水平的平均情况。其背后基本的统计假设是AD以相同的方式影响不同的患者。然而，为了实现AD的精准医疗，我们需要超越平均的视角，并且设计统计方法来反应个体水平上的异质性。神经解剖标准化建模可以依据一个期望的正态分布/随时间变化的轨迹提供个体水平上的统计推断。在本研究中，研究者利用一个最近实现的规范化建模框架，层级贝叶斯回归，分析了1）不同个体患者在离群值分布上的神经解剖变异性；2）定量地分析了被试间不相似性的组间差异；3）建立了神经解剖离群值和认知表现和AD生物标记物之间的关系；4）并且探究了离群值的数量是否与随后从MCI到AD的转化有关。
为了实现以上研究目的。研究者首先利用来自UKBiobank的33000名被试的皮层厚度训练了模型，并且利用迁移学习的方法，进一步利用ADNI中70%的认知正常被试优化规范化模型。用ADNI中剩下的30%和MCI/AD被试评估神经解剖特征（皮层厚度）的异质性。