PulseAugur
中
实时 08:58:39
English(EN) Foundation models for discovering robust biomarkers of neurological disorders from dynamic functional connectivity

新框架 RE-CONFIRM 评估人工智能生物标志物在神经系统疾病中的稳健性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为 RE-CONFIRM 的新框架，用于评估基础模型 (FMs) 为神经系统疾病识别出的生物标志物的稳健性。在自闭症谱系障碍 (ASD)、注意力缺陷多动障碍 (ADHD) 和阿尔茨海默病 (AD) 数据集上的实验显示，标准的性能指标不足以评估生物标志物的可靠性。该研究还引入了 Hub-LoRA，一种改进 FM 性能并生成更具神经生物学准确性的生物标志物的微调技术。 AI

影响 在神经科学领域为人工智能模型引入了新的评估框架和微调方法，有望改善神经系统疾病的生物标志物发现。

排序理由 学术论文，介绍了一种用于评估神经科学领域人工智能模型的新框架和微调技术。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新框架 RE-CONFIRM 评估人工智能生物标志物在神经系统疾病中的稳健性

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Deepank Girish, Yi Hao Chan, Sukrit Gupta, Jing Xia, Jagath C. Rajapakse ·

    用于从动态功能连接中发现神经系统疾病稳健生物标志物的基石模型

    arXiv:2604.22018v1 Announce Type: cross Abstract: Several brain foundation models (FM) have recently been proposed to predict brain disorders by modelling dynamic functional connectivity (FC). While they demonstrate remarkable model performance and zero- or few-shot generalizatio…

  2. arXiv cs.AI TIER_1 English(EN) · Jagath C. Rajapakse ·

    用于从动态功能连接中发现神经系统疾病稳健生物标志物的 基础模型

    Several brain foundation models (FM) have recently been proposed to predict brain disorders by modelling dynamic functional connectivity (FC). While they demonstrate remarkable model performance and zero- or few-shot generalization, the salient features identified as potential bi…

相关实体

相关话题