McGill University

8 篇关联报道

researchsquare.com 2026年10月22日
脑龄模型改在尼日利亚数据上重训：内部测试误差9.82年，换一个独立队列校正后为8.78年
脑龄模型多在北半球数据上训练，直接用于尼日利亚成人会失准。研究者用309名尼日利亚成人的临床T1加权MRI训练了一个人群特异的高斯过程回归模型，在47人留出测试集上未做年龄偏差校正时平均绝对误差为9.82年；在44人共同对照集上，该模型为10.24年，PyBrainAge为10.52年、SynthBA为12.33年、ENIGMA-Brain Age为17.51年，SPARROW为7.87年。校正后内部测试集误差为6.39年，但在另一独立尼日利亚队列上升至8.78年，且所有模型在该队列的决定系数均为负。
脑龄模型多在北半球数据上训练，直接用于尼日利亚成人会失准。研究者用309名尼日利亚成人的临床T1加权MRI训练了一个人群特异的高斯过程回归模型，在47人留出测试集上未做年龄偏差校正时平均绝对误差为9.82年；在44人共同对照集上，该模型为10.24年，PyBrainAge为10.52年、SynthBA为12.33年、ENIGMA-Brain Age为17.51年，SPARROW为7.87年。校正后内部测试集误差为6.39年，但在另一独立尼日利亚队列上升至8.78年，且所有模型在该队列的决定系数均为负。
University of Pennsylvania McGill University Aga Khan University Nairobi University College London Lagos State University Teaching Hospital Bayero University Kano University of Sfax Montreal Neurological Institute and Hospital Chinedum Anosike Tolulope Olusuyi Ifeoluwa Oladeji Udunna Anazodo Jasmine Cakmak Oluyemisi Toyobo Suwaid Abba Abbas Muhammad
脑龄模型基准评测高斯过程回归脑龄预测
Nature Communications 2026年10月13日
脑激活图解码不再只给任务名：NiCLIP借认知本体同时输出任务、概念与域
脑激活图的功能解码有了新做法：NiCLIP把神经影像文献文本与坐标生成的激活图放进同一潜在空间做对比学习，再借认知本体把相似度转成任务、概念和域的后验概率。此前常用的相关型解码器和GC-LDA依赖预计算元分析图与固定词表，只给出任务级预测。在人类连接组计划七个域的组水平图上，最佳配置的任务召回为62.86%，而Neurosynth与GC-LDA最高为20.71%；同一模型在个体水平激活图上表现明显下降。
脑激活图的功能解码有了新做法：NiCLIP把神经影像文献文本与坐标生成的激活图放进同一潜在空间做对比学习，再借认知本体把相似度转成任务、概念和域的后验概率。此前常用的相关型解码器和GC-LDA依赖预计算元分析图与固定词表，只给出任务级预测。在人类连接组计划七个域的组水平图上，最佳配置的任务召回为62.86%，而Neurosynth与GC-LDA最高为20.71%；同一模型在个体水平激活图上表现明显下降。
The University of Texas at Austin McGill University Florida International University University of Oxford Jean-Baptiste Poline Alejandro I de la Vega Thomas E. Nichols James Doliver Kent Angela R. Laird Julio A. Peraza
bioRxiv 2026年10月13日
卵巢的年龄可以被宿主改写：老龄卵巢在年轻小鼠体内恢复排卵并产下活仔
卵巢衰老不再被当作单向、固定的过程。研究者建立卵巢专用转录组时钟OvaAge，并结合表观遗传与通路甲基化时钟，把老龄卵巢移植进年轻小鼠、把年轻卵巢移植进老龄小鼠，发现卵巢分子年龄随宿主年龄双向偏移，但只偏移一部分。13月龄供体卵巢在年轻宿主体内于17至18月龄时完成足月妊娠并产下活仔，而同样年龄的卵巢留在老龄宿主体内则未能生育。
卵巢衰老不再被当作单向、固定的过程。研究者建立卵巢专用转录组时钟OvaAge，并结合表观遗传与通路甲基化时钟，把老龄卵巢移植进年轻小鼠、把年轻卵巢移植进老龄小鼠，发现卵巢分子年龄随宿主年龄双向偏移，但只偏移一部分。13月龄供体卵巢在年轻宿主体内于17至18月龄时完成足月妊娠并产下活仔，而同样年龄的卵巢留在老龄宿主体内则未能生育。
Stanford University McGill University Stanford Medicine Harvard University University of California, Los Angeles Brigham and Women's Hospital Research Institute of the McGill University Health Centre Broad Institute Erik Jacques Steve Horvath Kejun Ying Nathalie Agar Mahdi Moqri Harlan Steven Alexander Tyshkovskiy Ludger Goeminne
medRxiv 2026年10月1日
将训练窗口从分娩前最后一小时扩展到整个产程并加入产程起始时间后，模型在分娩前至少3小时识别出40.3%的缺氧缺血性脑病病例，较仅用最后一小时的分类器提高8.4个百分点
该研究基于Kaiser Permanente Northern California的174,186例胎龄≥35周分娩数据，从20分钟时段提取40个胎心监护（CTG）特征训练随机森林分类器，分别以严重酸中毒（N=2,636）和临床验证的缺氧缺血性脑病（HIE，N=304）为目标，将训练窗口从分娩前最后一小时逐步扩展至整个产程并加入产程起始时间（TLO）特征，在固定15%假阳性率下评估，发现早期识别能力随窗口扩展而提升并在18小时趋于平台，加入TLO后性能最佳：40.3%的HIE病例在分娩前至少3小时、27.3%在至少6小时被识别，较仅用最后一小时的分类器绝对提升8.4%和10.7%，55.7%的HI
该研究基于Kaiser Permanente Northern California的174,186例胎龄≥35周分娩数据，从20分钟时段提取40个胎心监护（CTG）特征训练随机森林分类器，分别以严重酸中毒（N=2,636）和临床验证的缺氧缺血性脑病（HIE，N=304）为目标，将训练窗口从分娩前最后一小时逐步扩展至整个产程并加入产程起始时间（TLO）特征，在固定15%假阳性率下评估，发现早期识别能力随窗口扩展而提升并在18小时趋于平台，加入TLO后性能最佳：40.3%的HIE病例在分娩前至少3小时、27.3%在至少6小时被识别，较仅用最后一小时的分类器绝对提升8.4%和10.7%，55.7%的HI
Kaiser Permanente McGill University Kaiser Permanente Northern California Emory University University of California, San Francisco Aditi Lahiri John Parker Yvonne W. Wu Marie‐Coralie Cornet Michael William Kuzniewicz Johann Vargas-Calixto Robert Edward Kearney Philip A. Warrick
发表出处待核验 2026年10月1日
45人改良德尔菲共识：GLP-1受体激动剂用药前应筛查进食障碍，活动性厌食症与贪食症患者一般应避免使用
该研究采用三轮改良德尔菲法，由45名糖尿病、肥胖和/或进食障碍领域的临床医生与研究者以及有亲身经历者组成的小组，就GLP-1受体激动剂在进食障碍情境下的使用达成平均91.7%的共识，提出用药前筛查、按风险分层监测、标准化教育材料、合并循证心理治疗等临床建议，并明确在活动性进食障碍（尤其厌食症、非典型厌食症及伴明显饮食限制和/或显著体重抑制的贪食症）中一般应避免使用GLP-1受体激动剂，同时列出流行病学、监管与暴食障碍临床试验的研究优先事项。
该研究采用三轮改良德尔菲法，由45名糖尿病、肥胖和/或进食障碍领域的临床医生与研究者以及有亲身经历者组成的小组，就GLP-1受体激动剂在进食障碍情境下的使用达成平均91.7%的共识，提出用药前筛查、按风险分层监测、标准化教育材料、合并循证心理治疗等临床建议，并明确在活动性进食障碍（尤其厌食症、非典型厌食症及伴明显饮食限制和/或显著体重抑制的贪食症）中一般应避免使用GLP-1受体激动剂，同时列出流行病学、监管与暴食障碍临床试验的研究优先事项。
NYU Langone Health University of Pennsylvania Sanford Research Johns Hopkins University University of North Carolina at Chapel Hill University of Virginia New York University University of Louisville Ashley White Monique Jericho Nami Trappenberg Kimberly D. Dennis Diane Alix Klein Anastasia Harris Susan L McElroy Brooke Langman
改良德尔菲共识法 GLP-1受体激动剂与进食障碍
bioRxiv 2026年9月30日
VRPTR 用静息态 fMRI 预测个体语言激活图，并给出经校准的不确定性估计
该研究提出 VRPTR——一种结合压缩 Transformer 瓶颈、变分潜变量采样与多尺度跳跃连接的三维编码器-解码器，在 WU-Minn 人类连接组计划 360 名健康成人上训练、40 名留出被试上评估故事对数学的语言对比，取得平均体素图 Pearson r=0.642 与 Dice AUC=0.519，分别比紧凑体积版 BrainSurfCNN 类与 SWIFUN 类比较模型高 Δr=0.0376 与 0.0335，并显示 Transformer 处理与图相关性的提升相关（Δr=0.0168），而原始 95% 区间仅覆盖 4.7% 观测值、经留出队列内五折校准后覆盖率升至 94.8%。
该研究提出 VRPTR——一种结合压缩 Transformer 瓶颈、变分潜变量采样与多尺度跳跃连接的三维编码器-解码器，在 WU-Minn 人类连接组计划 360 名健康成人上训练、40 名留出被试上评估故事对数学的语言对比，取得平均体素图 Pearson r=0.642 与 Dice AUC=0.519，分别比紧凑体积版 BrainSurfCNN 类与 SWIFUN 类比较模型高 Δr=0.0376 与 0.0335，并显示 Transformer 处理与图相关性的提升相关（Δr=0.0168），而原始 95% 区间仅覆盖 4.7% 观测值、经留出队列内五折校准后覆盖率升至 94.8%。
McGill University McGill University Health Centre Montreal Neurological Institute and Hospital D. Louis Collins Daniel A. Di Giovanni
Transformer编码器静息态到任务态fMRI预测变分潜变量采样
JMIR Medical Education 2026年9月16日
AWARE 框架：在精神卫生诊疗中评估患者使用对话式 AI 的教育性访谈框架
本文提出 AWARE（AI 使用、原因、依恋、现实与风险、对功能的影响）框架，作为帮助精神卫生专业人员系统评估患者使用对话式 AI 的教育性访谈工具，围绕五个临床相关领域组织提问，并讨论将其纳入本科、研究生与继续专业教育的途径及未来研究重点。
Université de Montréal McGill University Lady Davis Institute for Medical Research Institut universitaire en santé mentale de Montréal Institut national de psychiatrie légale Philippe-Pinel University of Toronto University of British Columbia Centre Hospitalier de l’Université de Montréal Vincent Paquin John-Jose Nunez Alexandre Hudon Venkat Bhat François Lespérance Amylie Malouin-Lachance
大语言模型 AWARE框架
arXiv 2026年9月16日
重新评估异质图学习的进展：三类异质数据集划分与同质性度量的定量评测
该工作对27个常用基准数据集上的基线模型进行超参数微调，依据图感知模型与其对应图无关模型的对比表现，将异质数据集划分为恶性、良性与模糊三类，并据此重新评估11个SOTA异质图模型、在三种合成图生成方法上对11个同质性度量做首次定量评测，发现多数SOTA模型并未显著优于最佳基线，且经典度量仍具竞争力。
该工作对27个常用基准数据集上的基线模型进行超参数微调，依据图感知模型与其对应图无关模型的对比表现，将异质数据集划分为恶性、良性与模糊三类，并据此重新评估11个SOTA异质图模型、在三种合成图生成方法上对11个同质性度量做首次定量评测，发现多数SOTA模型并未显著优于最佳基线，且经典度量仍具竞争力。
Université de Montréal McGill University Nanjing University Nvidia (United States)Mila - Quebec Artificial Intelligence Institute Chenqing Hua Qincheng Lu Jiaqi Zhu Xinyu Wang Sitao Luan Xiao-Wen Chang
Advanced Graph Neural Networks Domain Adaptation and Few-Shot Learning Machine Learning in Healthcare

已读完全部报道