神经数据分析不再逐模型手配：九个预训练模型排队上岗，阿尔茨海默三分类宏F1达57.16%
神经电生理预训练模型架构各异、输入格式互不兼容，实验室往往要逐模型手工配置才能比较。NS-Copilot 把九个脑电与脉冲预训练模型统一到一个自然语言接口下，由规划、编码、控制、解读四个智能体自动选模型、生成代码并闭环调优。在阿尔茨海默病、帕金森病和工作记忆解码三个基准上各跑8次，其主指标分别为宏F1 57.16%、平衡准确率71.32%和74.43%，均高于所列基线。
正在载入内容…
6 篇关联报道
神经电生理预训练模型架构各异、输入格式互不兼容，实验室往往要逐模型手工配置才能比较。NS-Copilot 把九个脑电与脉冲预训练模型统一到一个自然语言接口下，由规划、编码、控制、解读四个智能体自动选模型、生成代码并闭环调优。在阿尔茨海默病、帕金森病和工作记忆解码三个基准上各跑8次，其主指标分别为宏F1 57.16%、平衡准确率71.32%和74.43%，均高于所列基线。
本研究将此前开发的三种机器学习模型（基于压力-容积数据的深度学习卷积神经网络、基于透视影像的深度学习影像模型，以及平均两者风险数据的集合模型）适配到单一机构2016至2025年间脊柱裂患者的独立外部队列，用于预测新发肾积水和分类膀胱功能障碍严重程度；在70例肾积水队列中13例（18%）发生新发肾积水，集合模型一致性指数0.77（压力-容积0.70、影像0.72）、总体AUROC 0.75（压力-容积0.67、影像0.74），在95次VUDS检查的膀胱功能障碍分类中集合模型准确率71%（压力-容积60%、影像66%），与专家儿科泌尿科医师评审无实质性分歧，结论是这些模型可适配外部独立数据集并达到与
该工作提出一个面向数字农业的隐私保护数据共享与协作框架，将主成分分析（PCA）降维与基于拉普拉斯噪声的本地差分隐私（ε-LDP）结合，在沙箱环境中聚合农民数据并用K-Means聚类和最近邻算法推荐潜在合作者，使研究者可在联邦学习或聚合隐私数据上训练个性化模型；在Wisconsin Farmer's Market与Crop Recommendation两个真实数据集上验证，模型精度与集中式原始数据训练相比平均损失约5.33%，并通过power分析评估对成员推断等攻击的鲁棒性。
该工作提出 KANResDiff，用 Kolmogorov-Arnold 网络实现局部残差扩散以做模糊医学图像分割：以基于 B 样条的 Independent Time Encoding 替代 MLP 线性时间嵌入以增强各推理阶段独立性，并以 Residual Schrödinger Bridge 用可学习权重注入确定性残差先验，在 LIDC 与 ISIC3 两个公开数据集上取得 GED 与 HM-IoU 的最优结果，GED 最大改善 16.8%、HM-IoU32 最大改善 7.7%，同时 MDM 保持有竞争力的水平。
该研究提出并评估了一种隐私保护的知识蒸馏框架：用CTGAN基于英国生物银行（UK Biobank）分布生成合成队列，让GPT-4o、Gemini、DeepSeek三个教师大模型在零样本设定下生成多病共存评分，再训练紧凑的学生模型CoLLM来模仿这些评分，从而在不向第三方API暴露真实患者数据的前提下，将CoLLM应用于真实UK Biobank数据（N=439,221）生成多病共存评分，并在生存预测、全基因组关联分析和多基因风险评分关联上与传统Charlson（CCI）和Elixhauser（ECI）指数比较。
该系统综述与荟萃分析汇总了5项研究、共577例确诊三叉神经痛患者，评估深度学习与机器学习模型在MRI上自动分割三叉神经并检测神经血管冲突的诊断表现，合并敏感度为71%（95% CI: 65-76%）、特异度为92%（95% CI: 88-94%）、AUC为0.91（95% CI: 0.88-0.93），提示AI模型在该任务上具有较高的诊断准确性。
已读完全部报道