Alzheimer's Disease Neuroimaging Initiative
PulseAugur coverage of Alzheimer's Disease Neuroimaging Initiative — every cluster mentioning Alzheimer's Disease Neuroimaging Initiative across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
新的AT-Attn框架通过多模态数据改进阿尔茨海默病诊断
研究人员开发了一个名为AT-Attn的新框架，用于改进阿尔茨海默病的诊断。这种时间感知多模态方法能够有效地整合结构性MRI数据和纵向临床信息，即使在MRI数据不一致或不可用时也能发挥作用。AT-Attn模型在一个包含1,520名患者的队列中表现出色，准确率达到0.719，ROC-AUC达到0.873，优于简单的融合方法。
-
机器学习模型预测阿尔茨海默病早期阶段
研究人员开发了一种机器学习模型，利用阿尔茨海默病神经影像学计划 (ADNI) 数据集中的临床数据、神经心理学评分和神经影像学测量来预测阿尔茨海默病早期阶段。为解决缺失值和类别不平衡等挑战，该研究采用了迭代插补和 Borderline SVM-SMOTE，然后进行特征选择。训练了一个结合逻辑回归、Extra Trees、Bagging KNN 和 LightGBM 的堆叠集成模型，同时训练了一个人工神经网络，并使用精确率、召回率、F1 …
-
新AI框架BrainPICM增强脑网络分析
研究人员开发了BrainPICM，一个新颖的用于脑网络分析的自监督学习框架。该方法通过考虑大脑网络结构的个体差异来解决现有方法的局限性。BrainPICM采用渐进式、个体化的掩码策略，逐步将潜在的病理区域纳入训练，从而学习稳定的模块化结构和个体变异。该框架还包括一个偏差感知聚合模块，用于量化功能重组，提高可解释性和下游预测准确性。在fMRI数据集上的实验表明，BrainPICM在诊断准确性方面优于当前最先进的方法。
-
新框架MediEncoder推动非线性因果中介分析
研究人员开发了MediEncoder，一个用于高维生物医学数据中非线性因果中介分析的新框架。该方法使用耦合的编码器-解码器架构联合学习协变量和中介物的表征，从而更准确地估计直接和间接治疗效果。MediEncoder通过不依赖于严格的稀疏性或线性假设，改进了现有方法，并在模拟和阿尔茨海默病数据的实际应用中显示出更高的准确性。
-
新的ENC-ODE模型使用神经ODE预测神经退行性疾病进展
研究人员开发了ENC-ODE，一种使用神经常微分方程预测神经退行性疾病进展的新方法。该方法对临床事件及其连续动态进行建模，以预测生物标志物的演变，解决了稀疏和不规则纵向数据的局限性。在阿尔茨海默病神经影像学计划数据集上的实验表明，ENC-ODE优于现有的序列模型，为临床支持提供了一个可扩展且有科学依据的工具。
-
新DAIN模型通过动态代理协作推进多模态推理
研究人员开发了DAIN，一个动态代理交互网络，用于高效协作的多模态推理。与静态的混合专家模型不同，DAIN使用元控制器动态激活专业代理并管理它们的通信。这种方法优化了任务准确性、代理专业化和操作效率。DAIN在五个基准测试中取得了最先进的性能，包括在ADNI上提高了2.6%的准确率，同时还提供了增强的可解释性。
-
AI 模型在通过 MRI 扫描诊断神经退行性疾病方面展现出潜力
研究人员开发了先进的深度学习框架，以提高使用 MRI 扫描诊断神经退行性疾病的准确性。一种名为 NeuroBridge 的方法采用多任务学习框架，将自监督预训练与特定的诊断目标相结合，在识别不同患者群体的阿尔茨海默病和轻度认知障碍等疾病方面取得了高精度。另一种模型 End-Net 采用深度多尺度神经网络，旨在捕捉细微的解剖学差异，用于神经系统疾病的多类别分类，表现出卓越的性能和泛化能力。这两种方法都旨在提高诊断的准确性和可及性，其中 …
-
新AI模型利用fMRI数据改进阿尔茨海默病预测
研究人员开发了一种新颖的SDE驱动的时空超图神经网络（SDE-HGNN），以改进使用纵向fMRI数据对阿尔茨海默病进展的建模。该框架通过重建连续的潜在轨迹和构建动态超图来捕捉复杂的时间交互作用，解决了不规则数据采样和缺失访视带来的挑战。该模型还通过基于稀疏性的学习机制识别重要的脑区和连接模式。在OASIS-3和ADNI队列上的实验表明，SDE-HGNN在预测AD进展方面优于现有的图和超图方法。
-
AI系统ProMUSE通过自适应成像降低阿尔茨海默病诊断成本
研究人员开发了ProMUSE，一个新颖的AI系统，旨在通过自适应地整合多模态数据来改善阿尔茨海默病的早期诊断。该系统最初使用低成本的临床评估并量化诊断不确定性。如果存在高不确定性，ProMUSE会逐步整合更昂贵的数据，如MRI和PET扫描，并利用Dempster-Shafer理论融合信息，减少对昂贵成像的依赖。在基准数据集上的实验表明，ProMUSE可以达到与全模态方法相当的准确性，同时显著减少对MRI/PET扫描的需求，为广泛筛查提…
-
新的贝叶斯框架学习用于观察性研究的稀疏替代混淆因子
研究人员开发了一种新的贝叶斯因子分配框架，用于学习多原因观察性研究的稀疏替代混淆因子。该方法使用收缩先验来保留粗略的多原因依赖性，抑制依赖于单一原因的因子，并鼓励那些得到多个原因支持的因子。该框架的理论保证在特定的识别假设下确保了平均潜在结果的一致性。将其应用于阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative）数据，稀疏替代得分有效地复制了直接使用脑脊液生物标志物所实现的调整。
-
新框架Artemis解决神经影像中的人口统计学混淆因素
研究人员开发了Artemis，一个新颖的区域级因果框架，旨在消除多模态神经影像数据中的人口统计学混淆因素。该框架整合了功能性磁共振成像（fMRI）和弥散张量成像（DTI）数据，利用图神经网络（GNNs）分析大脑网络。Artemis解决了年龄和性别系统性影响连接模式的问题，这可能误导GNNs。通过学习区域特定的混淆因素表示，该系统允许在每个大脑区域独立进行因果干预，从而提高神经影像分析的准确性和可解释性。
-
新AI方法协调阿尔茨海默病PET扫描，改善疾病追踪
研究人员开发了一种名为Feynman Kac Reweighted Schrödinger Bridge Matching (FKRSBM)的新方法来协调Tau PET成像数据，这对于追踪阿尔茨海默病进展至关重要。现有方法在源队列和目标队列之间不同的亚组构成方面存在困难，可能将站点效应与生物学变异混淆。FKRSBM学习分布之间的直接随机传输过程，并纳入了亚组感知的终点提议，以确保生物学上一致的传输。应用于神经影像学，它使用球形卷积骨干…
-
新AI模型通过多模态数据分析增强阿尔茨海默病诊断
研究人员开发了新的多模态数据分析方法，以改善阿尔茨海默病诊断。一项研究使用 tau-PET、MRI 和认知评分的定量分析来理解生物标志物关系并识别关键的神经退行性轨迹。另一篇论文提出了一种图神经网络方法来分析立方体复制草图，将几何特征与人口统计学和神经心理学数据相结合，以实现更准确和可解释的 AD 分类。第三种方法利用专家混合框架来融合来自神经影像学和人口统计学数据的区域大脑专家，从而提供关于结构和分子成像如何有助于诊断的可解释见解。
-
深度学习模型可预测阿尔茨海默病进展并进行不确定性估计 · 已追踪 4 个来源
研究人员开发了一个深度学习框架，以提高阿尔茨海默病进展预测的准确性和不确定性估计。该概率模型改编自时间融合 Transformer，可预测未来五年内的诊断状态和生物标志物水平，在 ADNI 数据集上优于现有基线。该系统还将不确定性分解为偶然不确定性和认知不确定性成分，在较罕见的进展类型以及轻度认知障碍或痴呆症患者中观察到较高的认知不确定性。
-
新的贝叶斯网络模型追踪阿尔茨海默病进展
研究人员开发了一个名为“具有潜在时间嵌入的贝叶斯网络”（BN-LTE）的新框架来模拟阿尔茨海默病的进展。该方法使用贝叶斯网络来估计疾病的伪时间，并理解生物标志物关系如何影响未来的病理。BN-LTE 使用了阿尔茨海默病神经影像计划（ADNI）的数据进行了评估，并展示了 tau 蛋白进展的强大空间重建能力，识别出了淀粉样蛋白敏感性影响 AT(N) 级联的关键窗口。
-
LongMoE框架解决了多模态临床学习中的缺失数据问题
研究人员推出了一种新颖的框架LongMoE，旨在解决多模态临床学习的复杂性。该方法有效解决了两个关键挑战：不同患者模态中的数据缺失以及疾病进展的时间动态。通过整合上下文感知填充、轨迹感知编码和一个稀疏专家混合系统，LongMoE即使在患者数据不完整或不一致的情况下，也能对疾病随时间的演变进行建模。
-
NeuroAlign框架融合神经影像以分析认知障碍
研究人员开发了NeuroAlign，一个新颖的分层框架，旨在融合动态和结构神经影像数据以分析轻度认知障碍（MCI）。该系统采用双模态分层对齐来模拟多尺度连接性并对齐功能-结构嵌入，以及双域分层交互以进行细粒度特征调制。NeuroAlign还包括协同激活映射，一种无梯度归因方法，用于检查模型衍生的脑部模式，并在多个数据集上展示了具有竞争力的性能。
-
AI模型预测阿尔茨海默病严重程度和进展
研究人员开发了先进的机器学习模型来预测阿尔茨海默病的严重程度和进展。一种方法使用包括MRI扫描和临床信息在内的多模态数据，并采用有序回归框架来提高疾病分期的准确性和可解释性。另一种方法引入了一个个性化的数字孪生框架，该框架利用稀疏纵向数据来模拟疾病的转换，从而实现患者特定的轨迹分析和不确定性量化。
-
AI模型根据基因表达和脑部扫描预测神经退行性疾病
研究人员开发了一个新的生成建模框架，以理解阿尔茨海默病等神经退行性疾病背后的生物机制。这种跨尺度、空间感知的方法将转录组数据与神经影像学表型相结合，以模拟分子组织如何影响区域性大脑的脆弱性。该模型在预测神经退行性疾病的脆弱性方面表现出强大的预测能力，解释方差达到0.8604，并且与观察到的退行性疾病具有很高的空间相关性。
-
新框架利用大脑连通性绘制阿尔茨海默病 tau 通路
研究人员开发了 SC-TauPath，一个旨在利用结构连通性数据绘制阿尔茨海默病 tau 传播通路的新框架。该方法结合了网络扩散模型、MLP 和梯度归因，以识别每个神经连接对 tau 预测的贡献。当应用于 ADNI 参与者神经影像数据时，SC-TauPath 在 tau 水平预测方面表现出强大的准确性，并生成了与阿尔茨海默病既定解剖分期一致的通路图。