AITOP

ADNI

共 5 条相关 AI 资讯
8月7日
12:03
12:03官方账号arXiv cs.AI@Zahra Khodakarami, Yue Li, Pulkit Khandelwal, John Detre, Sandhitsu Das, Christopher Brown, David Wolk, Paul Yushkevich
研究用ADNI队列29人的1mm各向同性高清FLAIR扫描，模拟3mm和5mm层厚退化。对比多对比隐式神经表示、单对比自监督ECLARE和三次插值三种超分方法。在MARS-WMH分割下，超分的主导效应是抹除小的真实病灶，而非幻觉生成，且层厚越厚抹除越严重。所有重建方法都比原始厚层扫描提升病灶检测，其中ECLARE在两种层厚下恢复小病灶信号最好，INR效果不优于三次插值。
论文FLAIRWMHADNI
推荐理由：FLAIR超分注意：小病灶主要被抹除而非幻觉。ADNI 29例上ECLARE最好，INR不如三次插值。
原文
8月6日
11:30
11:30官方账号arXiv cs.LG@Hao Ding, Daniel Semchin, Paul M. Thompson, Boris Gutman
MT-GNN是一种新的纵向脑形态预测模型，通过预测每个顶点的第一基本形式（度量张量）来连续时间建模皮层下结构的形状演化，并利用可微ARAP求解器重建表面。在ADNI数据集的14个皮层下结构上，MT-GNN在所有预测时域上平均顶点误差比时间均值降低2.29%（p=6.1×10^-5），在14/14个结构上均优于基线。相比测地线形状回归DCM（-0.19%）和网格Transformer（TransforMesh，-0.45%；p=1.2×10^-4），MT-GNN的优势随预测时域延长而扩大。该方法支持任意多次历史访问和任意预测时域，实现端到端训练。
论文MT-GNNADNI脑形态测量
推荐理由：这篇论文提出了MT-GNN，用图网络预测脑结构形状随时间的演化，在ADNI上比现有方法误差低2%以上，而且预测越久优势越明显。
原文
7月3日
09:01
09:01官方账号arXiv cs.LG@Debopriya Ghosh
本研究提出基于临床数据、神经心理学测试和神经影像指标的机器学习模型，用于检测阿尔茨海默病早期阶段。数据来自ADNI（Alzheimer's Disease Neuroimaging Initiative），使用迭代插补处理缺失值，Borderline SVM-SMOTE处理类别不平衡。特征选择后，基于Logistic Regression、Extra Trees、Bagging KNN和LightGBM构建堆叠集成模型，并单独训练人工神经网络。模型性能通过精确率、召回率、F1分数和AUC-ROC对比，旨在找出最佳分类器和关键生物标志物。
论文ADNI阿尔茨海默病机器学习
推荐理由：想用机器学习做早期疾病诊断？这篇论文用ADNI数据对比了集成模型和神经网络，还识别出了关键生物标志物，实操参考性强。
原文
6月16日
10:35
10:35官方账号arXiv cs.LG@Nguyen Linh Dan Le
该论文提出BN-LTE（贝叶斯网络与潜在时间嵌入）框架，用于阿尔茨海默病进展的阶段感知因果建模。模型从基线生物标志物图像估计疾病伪时间，并依据AT(N)级联顺序约束有向依赖。在ADNI数据上，BN-LTE在tau蛋白扩散的空间重建上优于多个预测基线。模型识别出中伪时间窗口的淀粉样蛋白敏感性，并通过g-formula对比、AIPW和鲁棒性分析验证。代码已在GitHub公开。
论文BN-LTE阿尔茨海默病贝叶斯网络
推荐理由：这篇论文用贝叶斯网络模拟阿尔茨海默病的AT(N)级联，比黑箱预测更可解释。它从ADNI数据中找到了tau扩散的关键时间窗，对神经影像研究有参考价值。
原文
6月9日
11:42
11:42官方账号arXiv cs.LG@Yinyu Huang, Yilin Zhang, Sofia Michopoulou, Christopher Kipps, Rahman Attar
精选
阿尔茨海默病进展高度异质且数据稀疏不规则，现有机器学习方法多聚焦静态分类或群体风险估计，缺乏个体化建模和不确定性推理。该研究提出一种个性化数字孪生框架，整合互补建模策略捕捉临床转换和时间依赖，利用ADNI数据集预测认知状态和诊断类别，并量化预测不确定性。评估显示，基于相邻访视的转换建模比序列建模预测精度更高，表明局部转换建模在数据稀疏场景下更高效。该框架支持患者特异性“what-if”轨迹分析，为神经退行性疾病的个性化预测提供了实用且可解释的方法。
论文数字孪生阿尔茨海默病稀疏纵向数据
推荐理由：AD 研究者终于有了一个能处理稀疏数据、支持个性化轨迹预测的工具——做疾病建模或临床试验设计的团队可以直接用这个框架做 scenario 分析，比传统群体模型更贴近真实临床场景。
原文