frontotemporal dementia
PulseAugur coverage of frontotemporal dementia — every cluster mentioning frontotemporal dementia across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 M-LINKX 框架增强了基于脑电图的痴呆症检测
研究人员开发了 M-LINKX，一个新颖的多视图图学习框架，旨在利用脑电图 (EEG) 数据改进阿尔茨海默病和额颞叶痴呆等认知疾病的检测。该框架将 EEG 信号转换为图表示，考虑了通道级特征以及不同连接度量、频带和拓扑滤波器之间的交互。在两个数据集上的实验证明了 M-LINKX 在区分认知障碍患者方面的优越性能。
-
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…
-
新假说模拟冯·埃克诺姆神经元以实现快速的社会决策
一项新的计算模型“快车道假说”提出，冯·埃克诺姆神经元（VENs）通过提供一个快速但不太精确的神经通路，促进了快速的社会决策。研究人员开发了一个尖峰皮层电路模型，该模型模拟了VENs和标准的锥体细胞，证明VENs能够以牺牲审慎处理的准确性为代价来实现更快的响应。该模型的研究结果与临床观察一致，表明在额颞叶痴呆中观察到的VENs耗竭会影响决策速度，而在自闭症谱系障碍中的改变则呈现出中间效应。
-
新AI模型提升脑电图阿尔茨海默病检测能力
研究人员开发了一个名为变分图神经网络专家混合模型（VMoGE）的新框架，以提高从脑电图（EEG）数据中识别阿尔茨海默病（AD）的能力。该模型集成了多频带脑电图分析、变分图神经网络和专家混合架构，使专门的专家能够专注于特定的频带。VMoGE在区分健康对照组和AD患者方面表现出色，AUC达到0.89。该框架还提供了神经生理学上可解释的标记，专家门控权重与认知评分相关，特定频带的贡献与疾病进展和已知的AD神经病理学相关联。
-
AI网络利用脑电图数据改进痴呆症诊断和MMSE预测
研究人员开发了一种新颖的任务引导时空网络（TGSN），并结合扩散增强技术，以利用脑电图（EEG）数据改进痴呆症诊断和MMSE预测。TGSN利用多频带特征融合和门控时空注意力模块来捕捉复杂的神经模式，同时任务引导查询模块可防止特征纠缠。该方法在XY02数据集上表现出卓越的性能，在区分不同类型痴呆症方面实现了高准确率，并显著降低了与现有方法相比的MMSE预测误差。