BrainAGE in Mild Cognitive Impaired Patients: Predicting the Conversion to Alzheimer's Disease
PulseAugur coverage of BrainAGE in Mild Cognitive Impaired Patients: Predicting the Conversion to Alzheimer's Disease — every cluster mentioning BrainAGE in Mild Cognitive Impaired Patients: Predicting the Conversion to Alzheimer's Disease across labs, papers, and developer communities, ranked by signal.
-
果蝇连接组被重新用于人工智能任务,在计算机视觉方面展现出潜力
研究人员已经证明,果蝇的神经连接组可以被重新用于执行人类设计的认知任务。通过使用 MaleCNS v1.0 连接组作为固定的网络拓扑,模型在有界加法和基础关系语言任务上取得了高精度。同样,果蝇的视觉连接组在集成到名为 FlyVision 的架构后,在通用计算机视觉任务中表现出有效性,在 MNIST、CIFAR-10 和 ImageNet-1K 等基准测试中取得了具有竞争力的准确率,并且参数量少于 ResNet18 等传统模型。这些研究…
-
新AI模型利用MRI和血流数据增强脑龄估算
研究人员开发了一种新颖的多模态框架,以提高脑龄估算的准确性,脑龄是神经生物学衰老和疾病风险的生物标志物。这种新方法结合了两个不同3D卷积神经网络的预测:一个分析结构性MRI扫描,另一个处理合成脑容量(DeepCBV)图。组合模型在估算健康对照组的脑龄时实现了3.95年的平均绝对误差,优于仅使用MRI或DeepCBV数据的模型。
-
联邦学习提升MRI扫描脑健康预测能力
研究人员开发了一种联邦学习方法,用于从卒中患者的MRI扫描中估算脑年龄差异(BrainAGE)。该方法解决了通常阻碍大规模神经影像学研究的隐私问题。该方法在16家医院中心的1674名患者中进行了测试,结果表明联邦学习模型的表现优于单中心模型,但不如集中式学习模型准确。研究发现,较高的BrainAGE、糖尿病等血管风险因素与卒中后三个月的功能结局较差之间存在显著关联,这表明BrainAGE在卒中护理的预后模型中具有实用价值。