mini–mental state examination
PulseAugur coverage of mini–mental state examination — every cluster mentioning mini–mental state examination across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI 模型归因可靠性在阿尔茨海默病预测研究中受到质疑
一项发表在 arXiv 上的新研究调查了在使用静息态功能磁共振成像 (rs-fMRI) 预测阿尔茨海默病神经影像计划 (ADNI) 参与者认知能力下降时，个体功能网络归因的可靠性。虽然归因估计的会话内可靠性很高，但扫描-重扫可靠性却显著下降，这表明人群共享的模式在很大程度上影响了这些归因。研究建议在排列零控制的同时报告扫描-重扫可靠性，以准确评估 rs-fMRI 生物标志物在阿尔茨海默病中的个体特异性。
-
新方法在老年人语音中区分抑郁症与认知衰退
研究人员开发了一种通过分析声学特征来区分老年人语音中抑郁症与认知衰退的方法。他们使用了一个包含89名轻度认知障碍患者的韩语语音语料库，发现在考虑了认知功能后，共振峰特征（而非广泛使用的基频特征）与抑郁症相关。这种利用同步临床评估的方法，使用12个特征子集达到了0.760的UAR，优于现有基线和自监督方法。
-
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。
-
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。
-
新研究将量化中的随机旋转与经典信号处理联系起来
本文探讨了随机旋转量化方案与统计信号处理中的经典结果之间的联系。文章强调，在 EDEN 框架中，重建的缩放可以被解释为 CDEF 公式中 Wiener 和无偏系数的有限维对应物。研究表明，CDEF +1 关系在每个旋转实现中作为有限块长度下的精确几何恒等式逐点成立，但在平均旋转后不成立。文章还指出，EDEN 为每个有限维度提供了精确的条件无偏性，这比 CDEF 中发现的二阶无偏性更强的性质。
-
AI认知筛查模型对多语种使用者存在显著偏见
arXiv上发表的一项新研究发现，用于基于语音的认知筛查的AI模型存在显著的假阳性偏差，尤其影响英国的多语种人群。研究发现，与单语英语使用者相比，包括Whisper、Wav2Vec 2.0和NeMo在内的模型将多语种使用者错误地标记为认知障碍的可能性高出约2.5倍。这种偏差在记忆、流畅性和阅读任务中更为明显，并且在模型使用DementiaBank等现有数据集进行训练时会加剧，这凸显了在医疗保健领域公平部署AI的迫切需求。
-
GenFAR 框架从 49,246 份 MRI 中学习通用脑表示
研究人员开发了 GenFAR，一个新颖的深度学习框架，旨在从脑 MRI 中创建通用且具有临床指导意义的特征表示。该模块化架构在包含 11 个队列的 49,246 名个体的大型数据集上进行了训练，利用 17 项不同任务来捕捉丰富的脑表示。该框架采用顺序学习方法，确定了六项任务的最佳序列和量化任务贡献的“供体分数”指标，最终提高了下游深度学习模型的样本效率和准确性。
-
新的基于得分的 Turbo 消息传递算法增强了压缩成像
研究人员开发了一种新的消息传递算法，称为基于得分的 Turbo 消息传递 (STMP)，用于压缩成像。该方法将基于得分的生成模型与经验贝叶斯去噪相结合，以改善图像重建，尤其是在欠定情况下。对于具有量化测量的系统，还引入了一种称为量化 STMP (Q-STMP) 的变体，它包括一个去量化模块，即使在 1 位量化下也能保持鲁棒性。实验表明，STMP 提供了比现有方法更好的性能-复杂度权衡，并且通常在 10 次迭代内收敛。
-
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。
-
AI模型利用常规患者数据预测阿尔茨海默病进展
研究人员开发了一个名为GNOVA的新框架，它使用GRU-神经ODE变分自编码器来预测和重建阿尔茨海默病的进展。该模型仅使用常规患者数据即可预测CDR-SB和MMSE等认知评分，避免了昂贵的神经影像学或生物标志物测试。GNOVA在1,727名患者的数据集上实现了较低的平均绝对误差，展示了其在资源受限环境下的临床决策潜力。
-
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。