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.
1 天有情绪数据
-
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。