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.
- instance of Académie des Inscriptions et Belles-Lettres 90%
- used by Oasis 3 70%
- used by magnetic resonance imaging 70%
- used by Oasis 70%
- instance of Oasis 70%
- used by alphaXiv 70%
- used by ScienceCast 70%
- used by functional magnetic resonance imaging 70%
- used by Gotit.pub 70%
- used by Tau PET Imaging in the NACC Study Cohort 60%
- affiliated with functional magnetic resonance imaging 50%
6 天有情绪数据
-
新的有限秩逻辑高斯过程方法用于密度估计
研究人员开发了一种名为有限秩逻辑高斯过程（ExFR-LGP）的新方法，用于条件密度估计。该方法允许对逻辑高斯过程进行精确似然计算，克服了先前近似方法的局限性。ExFR-LGP 为归一化常数、条件均值和分位数提供了闭式表示，并使用带有椭圆切片采样的 Gibbs 采样器进行后验采样。该方法在合成数据实验中显示了有效性，并已应用于分析阿尔茨海默病神经影像学计划数据中的分数各向异性响应，提供了具有不确定性的协变量调整百分位数带。
-
新型AI代理优化阿尔茨海默病诊断成本
研究人员开发了SCOPE-AD，一种用于阿尔茨海默病成本感知诊断的新型序列规划代理。该代理利用序数信念模型来表示从认知正常到轻度认知障碍和阿尔茨海默病谱系的中的不确定性。通过从采样Bellman目标中学习并将动作分布提炼到Qwen策略中，SCOPE-AD在考虑预算和患者负担限制的情况下，有选择地决定何时获取诊断测试以及何时做出诊断。在ADNI数据集上，SCOPE-AD在平均获取成本为50.46美元的情况下，实现了77.70%的Macr…
-
新型神经网络方法加速了临床试验的贝叶斯数据借用
研究人员开发了一种新颖的方法，使用摊销神经网络后验估计（NPE）来改进临床试验数据分析的贝叶斯动态借用（BDB）。该方法为传统的BDB实现提供了一种更快、更通用的替代方案，而传统的BDB实现通常依赖于手动先验和计算密集型的MCMC推理。NPE方法在具有各种偏移和不匹配的模拟数据上进行训练，可以在几毫秒内提供近似后验，在速度和偏差减少方面显著优于经典基线，尤其是在结果漂移等挑战性场景中。
-
新型CAMOS模型改进多模态临床时间序列分析
研究人员开发了CAMOS，一种新的多模态临床时间序列模型，旨在处理不完整和不规则采样的数据。与以往掩盖缺失模态的模型不同，CAMOS根据数据的可用性动态调整其转移算子。这种方法可以更准确地表示不同临床测量之间的相互作用。CAMOS在阿尔茨海默病神经影像计划（ADNI）数据集上，在分期、里程碑预测和预测方面表现出卓越的性能，并在零样本迁移到OASIS-3数据集方面显示出鲁棒性。
-
新的XGML框架利用大脑图分析预测阿尔茨海默病
研究人员开发了一种新颖的可解释图论机器学习（XGML）框架，用于预测阿尔茨海默病（AD）及相关的认知能力下降。该方法从FDG-PET数据构建个体代谢大脑图，识别出对多变量疾病结果最具预测性的子图。最佳配置在八项认知评分中实现了显著的r=0.595相关性，在ADAS13、ADAS11和ADASQ4上表现强劲。该框架还识别了可能作为认知能力下降网络生物标志物的关键边缘，尽管在另一队列上的初步验证显示结果较弱。
-
AI模型从后期扫描中重建早期疾病状态
研究人员开发了一种新颖的深度学习模型，能够反向预测疾病进展，旨在从后期患病扫描中重建早期、更健康的解剖状态。这种方法解决了现有仅向前模型的一个局限性，这些模型通常会错过阿尔茨海默病等疾病的关键潜伏期。提出的两阶段模型利用3D向量量化自编码器和神经常微分方程来学习连续时间动态，在基准数据集上成功重建了未见的先前状态，并在阿尔茨海默病患者的MRI上表现优于基线方法。
-
新AI框架利用MRI和临床数据改进阿尔茨海默病诊断
研究人员开发了使用多模态数据诊断阿尔茨海默病的新深度学习框架。一项研究侧重于使用解剖学参考来约束基于图像的模型并解决临床数据中的标签泄露问题，通过融合认知评分可达到87.3%的准确率。另一个框架利用3D MRI和临床数据，表明模型性能和解释高度依赖于特定任务、数据模态、融合策略和患者队列。两项研究都强调了用于医学诊断的多模态学习的复杂性以及对可解释性进行仔细评估的必要性。
-
AI模型适应阿尔茨海默病MRI任务，只需少量重新训练
研究人员开发了一种可泛化的阿尔茨海默病相关脑部MRI任务特征提取器，展示了迁移学习在神经影像学中的有效性。通过使用低秩适配（LoRA）技术，仅增加约1%的可训练参数来调整预训练的3D卷积神经网络（CNN），该模型在分类认知状态和预测生物标志物方面取得了高精度。值得注意的是，调整后的模型在未见过的数据集上无需重新训练即可表现良好，表明其作为阿尔茨海默病研究中可重复使用的基础模型的潜力，即使在标记数据有限的情况下也是如此。
-
新的基准测试fMRI年龄预测模型在不同数据集上的泛化能力
研究人员开发了一个新的基准测试，用于评估机器学习模型在不同数据集上从静息态fMRI数据预测年龄的能力。研究强调，在单个数据集内表现良好的模型在泛化到新的、未见过的数据时常常遇到困难。该外部验证协议包含六个多样化的数据集，旨在为评估对称正定（SPD）矩阵学习技术在神经影像学中的鲁棒性提供标准化方法。
-
新的PANDA框架通过不完整数据增强多模态医学预测
研究人员开发了PANDA，一个新颖的两阶段框架，旨在通过有效利用并非所有受试者都可用的辅助数据来增强多模态医学预测模型。该框架从配对数据中学习共享嵌入，并从辅助模态估计类别原型。然后，它在所有受试者上训练主要模型，将它们与这些固定的原型对齐，即使在推理时辅助数据完全缺失，也能实现有效的信息转移。PANDA已在利用MRI和表格数据进行阿尔茨海默病分类以及从病理切片进行肺癌生存期预测方面取得了改进。
-
新的MSR-IVA框架融合脑成像数据以改进分析
研究人员开发了MSR-IVA，一种用于融合结构MRI (sMRI) 和动态功能网络连接 (dFNC) 数据的新型框架。该方法通过整合共享结构表示与特定状态的适应性以及用于不完整状态表达的掩码，解决了结合这些模态的挑战。在利用阿尔茨海默病神经影像计划队列进行的试验中，与现有的IVA基线相比，MSR-IVA在源耦合方面表现出显著的改进，并降低了依赖性。
-
AnaDiffusion框架实现了可控的三维脑部MRI生成
研究人员开发了AnaDiffusion，一个用于生成三维脑部MRI图像的新型框架。与之前整体生成图像的方法不同，AnaDiffusion将生成过程分解为具有解剖学意义的区域。这使得在推理时无需详细的分割图即可实现更大的局部可控性和部件编辑。该框架还确保了全局一致性和部件与整体大脑结构的连贯性，在ADNI数据集的各个脑区上取得了最先进的结果。
-
新的AnaDiffusion框架实现了可控的3D脑部MRI生成
研究人员开发了AnaDiffusion，一个用于生成具有增强解剖学控制的3D脑部MRI的新颖框架。与一次性生成整个体积的先前方法不同，AnaDiffusion通过首先为特定解剖区域训练扩散模型来分解生成过程。然后，这些区域模型被组装和精炼，以创建全局一致的脑部MRI，从而可以在推理过程中无需详细的分割图即可对特定部分进行可控编辑。该方法在ADNI数据集上表现出优越的性能，在各个脑部区域实现了更低的FID分数和更高的准确性。
-
新的贝叶斯学习框架追踪阿尔茨海默病进展
研究人员开发了一个名为疾病连续谱定位（DCP）的新框架，该框架使用纵向贝叶斯学习从弥散张量成像（DTI）数据中估算阿尔茨海默病的连续进展。该方法推导出疾病连续谱得分（DCS）来量化个体在疾病谱上的位置，包括不确定性。在阿尔茨海默病神经影像倡议（ADNI）队列上的实验表明，DCP在准确性和临床相关性方面优于现有方法，能有效表征疾病严重程度并预测未来转化。
-
BrainLinear框架提供高效、可解释的脑网络分析
研究人员开发了BrainLinear，一个旨在更高效、更可解释地分析脑网络的新框架。这种几何感知方法将功能连接矩阵映射到共享切线空间，通过对ROI对切线方向进行评分来识别疾病区分模式。在自闭症谱系障碍和阿尔茨海默病数据集上的实验表明，BrainLinear在显著降低计算成本和内存使用量的同时，其性能与复杂的GNN和Transformer模型相当或更优。
-
新框架利用纵向MRI扫描增强阿尔茨海默病诊断
研究人员开发了Parcel2Progression (P2P)，一个新颖的纵向框架，旨在利用结构MRI扫描改进阿尔茨海默病诊断。P2P通过采用一个引导图谱的区域编码器来表示3D扫描，以及一个整合不规则、长期患者数据的纵向Transformer来解决计算限制。该方法提供区域特定的可解释性，并能有效地随着扫描数量进行扩展，在预测轻度认知障碍向阿尔茨海默病转化以及区分阿尔茨海默病与认知正常个体方面优于现有方法。该框架还展示了在异常检测和泛化…
-
AI 超分辨率消除而非幻觉化小的脑部病变
一项新的研究论文调查了超分辨率（SR）技术对脑部扫描中小白质高信号（WMH）检测的影响。研究发现，SR 方法虽然总体上比原始的厚切片提高了病变检测能力，但主要导致小的真实病变被消除，而不是幻觉化不存在的病变。消除效应在较厚的切片上更为明显，而一种特定方法 ECLARE 在恢复小病变信号方面表现最佳。
-
新框架审计和修复阿尔茨海默病预测模型中的公平性差距
研究人员开发了一个新框架，用于审计和修复阿尔茨海默病预测模型中的公平性问题。标准的保形预测方法虽然能保证整体覆盖率，但可能掩盖特定患者亚组中显著的覆盖不足。本研究发现，高风险患者，特别是那些有遗传易感性或严重疾病的患者，经历了严重的覆盖不足。所提出的框架使用交叉保形池化和亚组特定校准来恢复这些弱势群体的目标覆盖率。
-
ProgFormer: Hierarchical Voxel Diffusion Transformer for Brain MRI Prediction
研究人员开发了ProgFormer，一种新颖的层次化体素空间扩散Transformer，用于预测未来的脑部MRI扫描。该模型通过采用双路径方法来应对细微的纵向变化挑战：粗略路径模拟整体大脑结构和纵向上下文，而精细路径则优化体素级细节。ProgFormer直接在体素空间中运行，避免了潜在空间压缩造成的信息丢失，并通过条件流匹配实现端到端预测。在ADNI、AIBL和OASIS基准上的实验表明，与现有最先进方法相比，其性能更优。
-
基于注意力的深度学习框架在阿尔茨海默病检测中准确率达88.95%
研究人员开发了一种新颖的、基于注意力机制的深度学习框架，用于使用静息态功能磁共振成像（rs-fMRI）对阿尔茨海默病（AD）进行分类。该方法将大脑区域视为标记（tokens），并采用受Transformer启发的自注意力机制来模拟大脑网络内复杂的函数依赖关系。在阿尔茨海默病神经影像学倡议（ADNI）数据集上进行评估时，该框架在AD患者与认知正常个体之间的二元分类中达到了88.95%的准确率和0.90的ROC-AUC。