Dr. K R Shylaja

该研究在ADNI数据上构建了一个基于ResNet50迁移学习的患者级多模态融合框架，将MRI与PET影像特征与临床变量（ADAS11、ADAS13、APOE4、年龄、性别、教育年限、MMSE总分）拼接后经全连接网络输出AD/MCI/CN三分类，并以Grad-CAM生成热力图；消融实验显示准确率随模态增加而上升，MRI单模态39.61%、PET单模态51.72%、仅临床66.67%、MRI+PET 54.17%、三模态融合79.17%（24例患者测试集，95% Wilson区间约59.5%–90.8%），其中加入临床数据带来最大单次提升。

该研究在ADNI数据上构建了一个基于ResNet50迁移学习的患者级多模态融合框架，将MRI与PET影像特征与临床变量（ADAS11、ADAS13、APOE4、年龄、性别、教育年限、MMSE总分）拼接后经全连接网络输出AD/MCI/CN三分类，并以Grad-CAM生成热力图；消融实验显示准确率随模态增加而上升，MRI单模态39.61%、PET单模态51.72%、仅临床66.67%、MRI+PET 54.17%、三模态融合79.17%（24例患者测试集，95% Wilson区间约59.5%–90.8%），其中加入临床数据带来最大单次提升。

本文提出并描述了 Universal Doc AI 这一多模态智能文档管理系统，将光学字符识别（OCR）、检索增强生成（RAG）、向量语义检索与大语言模型（LLM）整合为统一平台，对用户上传的PDF、扫描件、图像与手写笔记进行文本抽取、语义分块、向量索引与基于文档内容的对话式问答，并报告在检索准确率、回答相关性与交互效率上相较传统关键词检索有所提升。

本文提出并描述了 Universal Doc AI 这一多模态智能文档管理系统，将光学字符识别（OCR）、检索增强生成（RAG）、向量语义检索与大语言模型（LLM）整合为统一平台，对用户上传的PDF、扫描件、图像与手写笔记进行文本抽取、语义分块、向量索引与基于文档内容的对话式问答，并报告在检索准确率、回答相关性与交互效率上相较传统关键词检索有所提升。