医学与健康

461 条内容

Nature Communications 2026年9月25日
该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。
该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。
StriMap 整合物理化学、序列上下文与界面结构特征预测 TCR–肽–HLA 识别，并从 43,241 个细菌蛋白的 1300 万条肽中筛出可激活强直性脊柱炎相关 TCR 的候选分子模拟肽
该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。
该工作提出 StriMap 这一统一框架，通过整合识别界面的物理化学、序列上下文与结构特征来预测 TCR–肽–HLA 相互作用，报告了当前最优性能与更好的泛化能力；作为案例，作者从 43,241 个细菌蛋白的 1300 万条肽中筛选出候选分子模拟肽，并经实验验证其可激活表达强直性脊柱炎（AS）相关 TCR 的 T 细胞，其中一条验证靠前的肽在炎症性肠病（IBD）患者中富集，提示可能存在共有的微生物触发因素。
arXiv 2026年9月25日
该工作提出 BioGait-VLM，一个在冻结的 InternVL3.5-1B 上构建的三模态（RGB 视觉、语言、显式生物力学）框架，通过时序证据蒸馏分支和将 3D 骨架运动学投影为语言对齐语义 token 的生物力学 token 化分支，在由公开 GAVD 与自采 30 例退行性颈椎病（DCM）队列合并而成的 8 类、1181 段视频、受试者不重叠的基准上取得 68.1% 准确率与 52.9% 宏 F1（DCM 类 F1 98.1%、异常步态 F1 80.4%），并由四位 DCM 领域专家在 52 段留出视频的盲法评审中于 69.2% 病例（36/52，p<0.001）将其评为优于基线。
该工作提出 BioGait-VLM，一个在冻结的 InternVL3.5-1B 上构建的三模态（RGB 视觉、语言、显式生物力学）框架，通过时序证据蒸馏分支和将 3D 骨架运动学投影为语言对齐语义 token 的生物力学 token 化分支，在由公开 GAVD 与自采 30 例退行性颈椎病（DCM）队列合并而成的 8 类、1181 段视频、受试者不重叠的基准上取得 68.1% 准确率与 52.9% 宏 F1（DCM 类 F1 98.1%、异常步态 F1 80.4%），并由四位 DCM 领域专家在 52 段留出视频的盲法评审中于 69.2% 病例（36/52，p<0.001）将其评为优于基线。
BioGait-VLM 用三模态视觉-语言-生物力学框架在 8 类步态基准上达到 68.1% 准确率，并在盲法专家评审中以 69.2% 的病例被选为更优模型
该工作提出 BioGait-VLM，一个在冻结的 InternVL3.5-1B 上构建的三模态（RGB 视觉、语言、显式生物力学）框架，通过时序证据蒸馏分支和将 3D 骨架运动学投影为语言对齐语义 token 的生物力学 token 化分支，在由公开 GAVD 与自采 30 例退行性颈椎病（DCM）队列合并而成的 8 类、1181 段视频、受试者不重叠的基准上取得 68.1% 准确率与 52.9% 宏 F1（DCM 类 F1 98.1%、异常步态 F1 80.4%），并由四位 DCM 领域专家在 52 段留出视频的盲法评审中于 69.2% 病例（36/52，p<0.001）将其评为优于基线。
该工作提出 BioGait-VLM，一个在冻结的 InternVL3.5-1B 上构建的三模态（RGB 视觉、语言、显式生物力学）框架，通过时序证据蒸馏分支和将 3D 骨架运动学投影为语言对齐语义 token 的生物力学 token 化分支，在由公开 GAVD 与自采 30 例退行性颈椎病（DCM）队列合并而成的 8 类、1181 段视频、受试者不重叠的基准上取得 68.1% 准确率与 52.9% 宏 F1（DCM 类 F1 98.1%、异常步态 F1 80.4%），并由四位 DCM 领域专家在 52 段留出视频的盲法评审中于 69.2% 病例（36/52，p<0.001）将其评为优于基线。
arXiv 2026年9月25日
该研究在TotalSegmentator数据集的909,873张CT与MRI二维切片上，对冻结的BiomedParse（生物医学）与DINOv3（通用）基础模型嵌入训练Matryoshka稀疏自编码器（BatchTopK稀疏化），并设随机权重基线，发现稀疏特征能以最高R2=0.941重建原始嵌入、仅用10个特征即恢复87.8%下游性能（99.4%降维）、以5特征指纹保留97.7%稠密检索质量、经独立大模型评判对应可语言表达的单义概念，并在单条临床文本查询上实现零样本语言驱动图像检索。
该研究在TotalSegmentator数据集的909,873张CT与MRI二维切片上，对冻结的BiomedParse（生物医学）与DINOv3（通用）基础模型嵌入训练Matryoshka稀疏自编码器（BatchTopK稀疏化），并设随机权重基线，发现稀疏特征能以最高R2=0.941重建原始嵌入、仅用10个特征即恢复87.8%下游性能（99.4%降维）、以5特征指纹保留97.7%稠密检索质量、经独立大模型评判对应可语言表达的单义概念，并在单条临床文本查询上实现零样本语言驱动图像检索。
在90万张CT/MRI切片上训练的稀疏自编码器把医学影像基础模型的稠密嵌入拆成可语言描述的概念，10个特征即恢复87.8%下游性能
该研究在TotalSegmentator数据集的909,873张CT与MRI二维切片上，对冻结的BiomedParse（生物医学）与DINOv3（通用）基础模型嵌入训练Matryoshka稀疏自编码器（BatchTopK稀疏化），并设随机权重基线，发现稀疏特征能以最高R2=0.941重建原始嵌入、仅用10个特征即恢复87.8%下游性能（99.4%降维）、以5特征指纹保留97.7%稠密检索质量、经独立大模型评判对应可语言表达的单义概念，并在单条临床文本查询上实现零样本语言驱动图像检索。
该研究在TotalSegmentator数据集的909,873张CT与MRI二维切片上，对冻结的BiomedParse（生物医学）与DINOv3（通用）基础模型嵌入训练Matryoshka稀疏自编码器（BatchTopK稀疏化），并设随机权重基线，发现稀疏特征能以最高R2=0.941重建原始嵌入、仅用10个特征即恢复87.8%下游性能（99.4%降维）、以5特征指纹保留97.7%稠密检索质量、经独立大模型评判对应可语言表达的单义概念，并在单条临床文本查询上实现零样本语言驱动图像检索。
Biometrical Journal 2026年9月25日
作者基于两项随机对照试验的参考数据集开展中性模拟比较，按TRIPOD建议的多类指标评估Cox比例风险模型与随机生存森林在个体生存概率预测上的表现，发现仅依据C指数得出的结论未必可推广到其他预测性能维度，总体性能类指标通常给出更合理的结果，随机生存森林的标准对数秩分裂规则在非比例风险情形下可能被替代分裂规则超越，随机生存森林在含治疗—协变量交互的数据中性能下降较小，而Cox比例风险模型的性能受比例风险假设违背的影响。
作者基于两项随机对照试验的参考数据集开展中性模拟比较，按TRIPOD建议的多类指标评估Cox比例风险模型与随机生存森林在个体生存概率预测上的表现，发现仅依据C指数得出的结论未必可推广到其他预测性能维度，总体性能类指标通常给出更合理的结果，随机生存森林的标准对数秩分裂规则在非比例风险情形下可能被替代分裂规则超越，随机生存森林在含治疗—协变量交互的数据中性能下降较小，而Cox比例风险模型的性能受比例风险假设违背的影响。
在基于两项随机对照试验数据的模拟中，Cox比例风险模型与随机生存森林的预测表现随评价指标和风险比例假设而分化
作者基于两项随机对照试验的参考数据集开展中性模拟比较，按TRIPOD建议的多类指标评估Cox比例风险模型与随机生存森林在个体生存概率预测上的表现，发现仅依据C指数得出的结论未必可推广到其他预测性能维度，总体性能类指标通常给出更合理的结果，随机生存森林的标准对数秩分裂规则在非比例风险情形下可能被替代分裂规则超越，随机生存森林在含治疗—协变量交互的数据中性能下降较小，而Cox比例风险模型的性能受比例风险假设违背的影响。
作者基于两项随机对照试验的参考数据集开展中性模拟比较，按TRIPOD建议的多类指标评估Cox比例风险模型与随机生存森林在个体生存概率预测上的表现，发现仅依据C指数得出的结论未必可推广到其他预测性能维度，总体性能类指标通常给出更合理的结果，随机生存森林的标准对数秩分裂规则在非比例风险情形下可能被替代分裂规则超越，随机生存森林在含治疗—协变量交互的数据中性能下降较小，而Cox比例风险模型的性能受比例风险假设违背的影响。
arXiv 2026年9月25日
该工作提出 Vision-Action Adapter（VA-Adapter），将其插入超声基础模型（EchoCLIP、USFM、BiomedCLIP）冻结的图像编码器深层，通过编码历史“图像-动作”序列在线注入个体三维心脏结构理解能力，在178名成人、356条专家扫描轨迹、131万图像-动作对的数据集上，以约2.61M–3.97M可训练参数取得优于强探头导航基线的平移与旋转平均绝对误差。
该工作提出 Vision-Action Adapter（VA-Adapter），将其插入超声基础模型（EchoCLIP、USFM、BiomedCLIP）冻结的图像编码器深层，通过编码历史“图像-动作”序列在线注入个体三维心脏结构理解能力，在178名成人、356条专家扫描轨迹、131万图像-动作对的数据集上，以约2.61M–3.97M可训练参数取得优于强探头导航基线的平移与旋转平均绝对误差。
VA-Adapter 让超声基础模型学会心脏探头导航，训练参数减少约33倍且误差低于强基线
该工作提出 Vision-Action Adapter（VA-Adapter），将其插入超声基础模型（EchoCLIP、USFM、BiomedCLIP）冻结的图像编码器深层，通过编码历史“图像-动作”序列在线注入个体三维心脏结构理解能力，在178名成人、356条专家扫描轨迹、131万图像-动作对的数据集上，以约2.61M–3.97M可训练参数取得优于强探头导航基线的平移与旋转平均绝对误差。
该工作提出 Vision-Action Adapter（VA-Adapter），将其插入超声基础模型（EchoCLIP、USFM、BiomedCLIP）冻结的图像编码器深层，通过编码历史“图像-动作”序列在线注入个体三维心脏结构理解能力，在178名成人、356条专家扫描轨迹、131万图像-动作对的数据集上，以约2.61M–3.97M可训练参数取得优于强探头导航基线的平移与旋转平均绝对误差。
arXiv 2026年9月25日
该研究提出 PIRTA，一种检索增强生成框架：用大规模 MAE 自监督预训练的 3D ViT 编码器在图像域检索相似的 3D DWI/ADC 体积，再以这些病例配对的临床医生撰写报告作为证据增强 LLaMA3-8B-Instruct 生成报告，从而绕开显式图像—文本对齐；在 1,831 例多机构内部队列、580 例隐私保护外部队列和 206 例公开 ISLES 基准上，PIRTA 取得较强图像域检索性能（内部 mAP@1 94.0%），并在缺血区域准确率这一事实性替代指标上持续优于直接图像到文本的 2D 基线，多分类准确率分别领先最强 2D 基线 +57.2 / +34.5 / +30.6 个百分点。
该研究提出 PIRTA，一种检索增强生成框架：用大规模 MAE 自监督预训练的 3D ViT 编码器在图像域检索相似的 3D DWI/ADC 体积，再以这些病例配对的临床医生撰写报告作为证据增强 LLaMA3-8B-Instruct 生成报告，从而绕开显式图像—文本对齐；在 1,831 例多机构内部队列、580 例隐私保护外部队列和 206 例公开 ISLES 基准上，PIRTA 取得较强图像域检索性能（内部 mAP@1 94.0%），并在缺血区域准确率这一事实性替代指标上持续优于直接图像到文本的 2D 基线，多分类准确率分别领先最强 2D 基线 +57.2 / +34.5 / +30.6 个百分点。
PIRTA 用图像域检索加文本域增强，让 3D 脑 MRI 报告在跨院数据上把缺血区域准确率最高提升 57.2 个百分点
该研究提出 PIRTA，一种检索增强生成框架：用大规模 MAE 自监督预训练的 3D ViT 编码器在图像域检索相似的 3D DWI/ADC 体积，再以这些病例配对的临床医生撰写报告作为证据增强 LLaMA3-8B-Instruct 生成报告，从而绕开显式图像—文本对齐；在 1,831 例多机构内部队列、580 例隐私保护外部队列和 206 例公开 ISLES 基准上，PIRTA 取得较强图像域检索性能（内部 mAP@1 94.0%），并在缺血区域准确率这一事实性替代指标上持续优于直接图像到文本的 2D 基线，多分类准确率分别领先最强 2D 基线 +57.2 / +34.5 / +30.6 个百分点。
该研究提出 PIRTA，一种检索增强生成框架：用大规模 MAE 自监督预训练的 3D ViT 编码器在图像域检索相似的 3D DWI/ADC 体积，再以这些病例配对的临床医生撰写报告作为证据增强 LLaMA3-8B-Instruct 生成报告，从而绕开显式图像—文本对齐；在 1,831 例多机构内部队列、580 例隐私保护外部队列和 206 例公开 ISLES 基准上，PIRTA 取得较强图像域检索性能（内部 mAP@1 94.0%），并在缺血区域准确率这一事实性替代指标上持续优于直接图像到文本的 2D 基线，多分类准确率分别领先最强 2D 基线 +57.2 / +34.5 / +30.6 个百分点。
arXiv 2026年9月25日
该工作提出 FetalAgents——一个基于 AutoGen 构建的多智能体系统，由 GPT-5-mini 驱动的 Coordinator 解析临床意图与解剖平面并动态调度专家智能体，专家智能体以确定性融合规则组合 FetalCLIP、nnU-Net、USFM、SAMUS、AoP-SAM 等专用视觉模型，Summarizer 汇总为结构化报告；在多中心外部数据集的八项临床任务（标准平面分类、脑平面分类、腹部与胃分割、AoP 估计、AC 与 HC 测量、GA 预测）上，FetalAgents 相比专用视觉模型、超声基础模型与通用/医学 MLLM 取得最优或最具竞争力的结果，并支持端到端视频流关键帧提取与报告生成。
该工作提出 FetalAgents——一个基于 AutoGen 构建的多智能体系统，由 GPT-5-mini 驱动的 Coordinator 解析临床意图与解剖平面并动态调度专家智能体，专家智能体以确定性融合规则组合 FetalCLIP、nnU-Net、USFM、SAMUS、AoP-SAM 等专用视觉模型，Summarizer 汇总为结构化报告；在多中心外部数据集的八项临床任务（标准平面分类、脑平面分类、腹部与胃分割、AoP 估计、AC 与 HC 测量、GA 预测）上，FetalAgents 相比专用视觉模型、超声基础模型与通用/医学 MLLM 取得最优或最具竞争力的结果，并支持端到端视频流关键帧提取与报告生成。
FetalAgents 用多智能体编排胎儿超声专家模型，在八项临床任务的外部验证中取得最优表现并自动生成结构化报告
该工作提出 FetalAgents——一个基于 AutoGen 构建的多智能体系统，由 GPT-5-mini 驱动的 Coordinator 解析临床意图与解剖平面并动态调度专家智能体，专家智能体以确定性融合规则组合 FetalCLIP、nnU-Net、USFM、SAMUS、AoP-SAM 等专用视觉模型，Summarizer 汇总为结构化报告；在多中心外部数据集的八项临床任务（标准平面分类、脑平面分类、腹部与胃分割、AoP 估计、AC 与 HC 测量、GA 预测）上，FetalAgents 相比专用视觉模型、超声基础模型与通用/医学 MLLM 取得最优或最具竞争力的结果，并支持端到端视频流关键帧提取与报告生成。
该工作提出 FetalAgents——一个基于 AutoGen 构建的多智能体系统，由 GPT-5-mini 驱动的 Coordinator 解析临床意图与解剖平面并动态调度专家智能体，专家智能体以确定性融合规则组合 FetalCLIP、nnU-Net、USFM、SAMUS、AoP-SAM 等专用视觉模型，Summarizer 汇总为结构化报告；在多中心外部数据集的八项临床任务（标准平面分类、脑平面分类、腹部与胃分割、AoP 估计、AC 与 HC 测量、GA 预测）上，FetalAgents 相比专用视觉模型、超声基础模型与通用/医学 MLLM 取得最优或最具竞争力的结果，并支持端到端视频流关键帧提取与报告生成。
arXiv 2026年9月25日
该研究提出 HierEM 分层期望最大化框架，把每个站点观察到的前列腺病灶标注视为潜在“干净”病灶掩膜的有噪观测，在 E 步推断体素级潜在掩膜后验、在 M 步用该后验作软目标训练 CNN 并用 logistic-normal 分层先验估计站点与病例级敏感度、特异度，在三个站点数据上池化留出评估的每站点平均 DSC 为 29.50%–39.69%，留一站泛化为 27.91%–32.67%，相对对比方法取得统计显著提升（p < 0.039），并给出可解释的站点标注质量估计（特异度 β≈0.99 时敏感度 α 为 31.5%–47.3%）。
该研究提出 HierEM 分层期望最大化框架，把每个站点观察到的前列腺病灶标注视为潜在“干净”病灶掩膜的有噪观测，在 E 步推断体素级潜在掩膜后验、在 M 步用该后验作软目标训练 CNN 并用 logistic-normal 分层先验估计站点与病例级敏感度、特异度，在三个站点数据上池化留出评估的每站点平均 DSC 为 29.50%–39.69%，留一站泛化为 27.91%–32.67%，相对对比方法取得统计显著提升（p < 0.039），并给出可解释的站点标注质量估计（特异度 β≈0.99 时敏感度 α 为 31.5%–47.3%）。
HierEM 把每个站点的前列腺病灶勾画当作潜在干净掩膜的有噪观测，在三站点留一站测试中把跨站点 Dice 提升到 27.91%–32.67%
该研究提出 HierEM 分层期望最大化框架，把每个站点观察到的前列腺病灶标注视为潜在“干净”病灶掩膜的有噪观测，在 E 步推断体素级潜在掩膜后验、在 M 步用该后验作软目标训练 CNN 并用 logistic-normal 分层先验估计站点与病例级敏感度、特异度，在三个站点数据上池化留出评估的每站点平均 DSC 为 29.50%–39.69%，留一站泛化为 27.91%–32.67%，相对对比方法取得统计显著提升（p < 0.039），并给出可解释的站点标注质量估计（特异度 β≈0.99 时敏感度 α 为 31.5%–47.3%）。
该研究提出 HierEM 分层期望最大化框架，把每个站点观察到的前列腺病灶标注视为潜在“干净”病灶掩膜的有噪观测，在 E 步推断体素级潜在掩膜后验、在 M 步用该后验作软目标训练 CNN 并用 logistic-normal 分层先验估计站点与病例级敏感度、特异度，在三个站点数据上池化留出评估的每站点平均 DSC 为 29.50%–39.69%，留一站泛化为 27.91%–32.67%，相对对比方法取得统计显著提升（p < 0.039），并给出可解释的站点标注质量估计（特异度 β≈0.99 时敏感度 α 为 31.5%–47.3%）。
arXiv 2026年9月25日
该工作提出 FermatSyn，用 LoRA+ 微调冻结 SAM2 视觉编码器注入解剖先验、以 HRDM 与 CIN 保留高频病灶细节、并在双向 Mamba 中采用连续性约束的费马螺旋扫描构建近似各向同性感受野，在 SynthRAD2023 与合并 BraTS（含 BraTS-MEN、BraTS-MET）上于 PSNR、SSIM、FID 和 3D 结构一致性上超过对比方法，且用合成图像训练的分割模型与真实图像训练相比无显著差异（p>0.05）。
该工作提出 FermatSyn，用 LoRA+ 微调冻结 SAM2 视觉编码器注入解剖先验、以 HRDM 与 CIN 保留高频病灶细节、并在双向 Mamba 中采用连续性约束的费马螺旋扫描构建近似各向同性感受野，在 SynthRAD2023 与合并 BraTS（含 BraTS-MEN、BraTS-MET）上于 PSNR、SSIM、FID 和 3D 结构一致性上超过对比方法，且用合成图像训练的分割模型与真实图像训练相比无显著差异（p>0.05）。
FermatSyn 用 SAM2 先验与费马螺旋扫描的 Mamba 合成缺失医学模态，在四个脑影像基准上取得最优指标，合成图训练的分割器与真实图训练无显著差异
该工作提出 FermatSyn，用 LoRA+ 微调冻结 SAM2 视觉编码器注入解剖先验、以 HRDM 与 CIN 保留高频病灶细节、并在双向 Mamba 中采用连续性约束的费马螺旋扫描构建近似各向同性感受野，在 SynthRAD2023 与合并 BraTS（含 BraTS-MEN、BraTS-MET）上于 PSNR、SSIM、FID 和 3D 结构一致性上超过对比方法，且用合成图像训练的分割模型与真实图像训练相比无显著差异（p>0.05）。
该工作提出 FermatSyn，用 LoRA+ 微调冻结 SAM2 视觉编码器注入解剖先验、以 HRDM 与 CIN 保留高频病灶细节、并在双向 Mamba 中采用连续性约束的费马螺旋扫描构建近似各向同性感受野，在 SynthRAD2023 与合并 BraTS（含 BraTS-MEN、BraTS-MET）上于 PSNR、SSIM、FID 和 3D 结构一致性上超过对比方法，且用合成图像训练的分割模型与真实图像训练相比无显著差异（p>0.05）。
arXiv 2026年9月25日
该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。
该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。
BrainHO 用可学习子图取代固定脑图谱，在 ABIDE 上以仅 PCC 输入取得 69.68% 准确率并定位跨网络疾病子网
该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。
该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。

第 16 页 · 当前显示 10 项