通过对深度神经网络学习的概念进行系统性研究，可以确定变化的大脑区域用于模型验证，从而增加疾病分类模型的可靠性。

Apr, 2024

在这项初步研究中，我们比较了三种 Quantum Convolutional Neural Network-Long Short-Term Memory 模型与经典神经网络架构在多发性硬化 (Multiple Sclerosis) 残疾的二分类问题上的性能，研究结果显示，QCNN-LSTM 模型在时间效率上具备了与经典方法相媲美的性能。

Jan, 2024

该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

Jan, 2024

本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

Jan, 2018

提出一种基于连接方式的上下文表示学习模型 (CS-CRL)，用于多种脑病的诊断，特别是具有视觉变换 (ViT) 编码器和掩码重建作为代理任务和格拉姆矩阵来指导连通信息的表示，能够更好地聚合特征和提取全局上下文。实验结果表明，其在六个数据集和三种脑病的诊断任务中取得了卓越的准确性，并且胜过了现有的最先进模型。

Jun, 2023

本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

Feb, 2024

利用图神经网络对多发性硬化症进行炎症性疾病活动预测，通过三维分割网络检测病灶并提取图像特征，构建患者图，在基于空间接近性连接病灶的基础上，将炎症性疾病活动预测建立为图分类任务，最终通过自动选择最关键的病灶进行预测，其性能优于现有基线方法。

Aug, 2023

基于强化学习与深度 Q 网络的 1D-CNN-LSTM 结构的 RLEEGNet 模型通过反馈不断优化控制策略，实现连续的适应性和响应性，以提高脑机接口系统的可适应性和响应速度。

Feb, 2024

阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化，并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架，使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在 CN/AD 分类中达到 SOA，平均测试准确率为 0.926±0.02。对于 MCI 任务，使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

Jun, 2024

使用多模态电子病历数据和深度学习框架预测多发性硬化症疾病的严重程度；我们描述了一个基于结构化电子病历数据、神经影像和医学记录的多模态深度学习框架，相比使用单一模态数据的模型，该框架提高了高达 25% 的预测准确度；研究还提供了有关每个数据模态与硬化症疾病预测相关性的有用信号量的见解。

Apr, 2023