PulseAugur
中
实时 07:28:27
English(EN) Multi-Source Multi-View Graph Domain Adaptation with Hyperbolic Residual Encoding for Cross-Site MDD Identification from rs-fMRI

AI框架改进了来自fMRI数据的跨站点MDD识别

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的框架，用于从不同站点的静息态功能磁共振成像（rs-fMRI）数据中识别重度抑郁症（MDD）。该方法通过联合建模多个图表示来解决跨站点分布偏移和异构功能连接视图带来的挑战。该框架利用视图特定的图注意力网络、双流自适应融合和双曲残差编码进行表示细化，在七个未标记的目标域上实现了73.60%的平均准确率和71.90%的AUC。 AI

影响 这项研究可能导致更准确、更通用的AI模型，用于跨不同数据集的医学诊断。

排序理由 该条目是一篇在arXiv上发表的学术论文，详细介绍了一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI框架改进了来自fMRI数据的跨站点MDD识别

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Zhanpeng Zheng, Xiran Chen, Haiteng Jiang, Renjie Tian, Qinyu Cai, Jiexi Liu, Xiaofeng Chen, Weikai Li, Yansu Wang ·

    用于跨站点 MDD 识别的超双曲残差编码多源多视图图域自适应（基于 rs-fMRI）

    arXiv:2607.29531v1 Announce Type: new Abstract: Cross-site identification of major depressive disorder (MDD) from resting-state functional magnetic resonance imaging (rs-fMRI) is hindered by inter-site distribution shifts and heterogeneous functional connectivity (FC) views. Thes…

相关实体

相关话题