医学与健康

461 条内容

arXiv 2026年9月25日
该工作提出 KD-Brain，一个先验知识引导的图学习框架，通过将疾病特异的语义先验注入注意力 Query（Semantic-Conditioned Interaction）并用基于 KL 散度的 Pathology-Consistent Constraint 对齐学习到的子网络交互分布与临床先验，在 ABIDE（NYU）ASD 任务和单中心 BD、MDD 任务上取得优于 12 个基线的表现，并输出与精神病病理生理学一致的功能通路与关键脑区。
该工作提出 KD-Brain，一个先验知识引导的图学习框架，通过将疾病特异的语义先验注入注意力 Query（Semantic-Conditioned Interaction）并用基于 KL 散度的 Pathology-Consistent Constraint 对齐学习到的子网络交互分布与临床先验，在 ABIDE（NYU）ASD 任务和单中心 BD、MDD 任务上取得优于 12 个基线的表现，并输出与精神病病理生理学一致的功能通路与关键脑区。
KD-Brain 用语义先验与临床一致性约束引导子网络交互建模，在 ASD、BD、MDD 诊断上超过 12 个基线并给出可解释功能通路
该工作提出 KD-Brain，一个先验知识引导的图学习框架，通过将疾病特异的语义先验注入注意力 Query（Semantic-Conditioned Interaction）并用基于 KL 散度的 Pathology-Consistent Constraint 对齐学习到的子网络交互分布与临床先验，在 ABIDE（NYU）ASD 任务和单中心 BD、MDD 任务上取得优于 12 个基线的表现，并输出与精神病病理生理学一致的功能通路与关键脑区。
该工作提出 KD-Brain，一个先验知识引导的图学习框架，通过将疾病特异的语义先验注入注意力 Query（Semantic-Conditioned Interaction）并用基于 KL 散度的 Pathology-Consistent Constraint 对齐学习到的子网络交互分布与临床先验，在 ABIDE（NYU）ASD 任务和单中心 BD、MDD 任务上取得优于 12 个基线的表现，并输出与精神病病理生理学一致的功能通路与关键脑区。
bioRxiv (Cold Spring Harbor Laboratory) 2026年9月25日
该研究构建了 HARP（Human Cell Atlas Reference for PBMCs），整合来自 15 项研究、四大洲、超过 2600 名供者（从新生儿到 97 岁，涵盖健康与多种免疫相关疾病）的约 900 万个外周血单个核细胞（PBMC），开发了优化的整合流程与新的无标签整合质量评估指标，形成 192 种免疫细胞亚群的社区共识注释（含低至 0.004% 的稀有群体），揭示与年龄、性别和疾病相关的协调细胞模块、女性偏倚的干扰素与炎症基因程序及其在 COVID-19 中的扰动，以及前列腺素信号通路中此前未被描述的性别二态性，并提出分层标签迁移框架 scTiger，可将这 192 种注释准确投射到另外约 1800 万个 PBMC 上。
该研究构建了 HARP（Human Cell Atlas Reference for PBMCs），整合来自 15 项研究、四大洲、超过 2600 名供者（从新生儿到 97 岁，涵盖健康与多种免疫相关疾病）的约 900 万个外周血单个核细胞（PBMC），开发了优化的整合流程与新的无标签整合质量评估指标，形成 192 种免疫细胞亚群的社区共识注释（含低至 0.004% 的稀有群体），揭示与年龄、性别和疾病相关的协调细胞模块、女性偏倚的干扰素与炎症基因程序及其在 COVID-19 中的扰动，以及前列腺素信号通路中此前未被描述的性别二态性，并提出分层标签迁移框架 scTiger，可将这 192 种注释准确投射到另外约 1800 万个 PBMC 上。
HARP 整合约 900 万 PBMC 并给出 192 种免疫细胞注释，还发现前列腺素信号通路的性别差异
该研究构建了 HARP（Human Cell Atlas Reference for PBMCs），整合来自 15 项研究、四大洲、超过 2600 名供者（从新生儿到 97 岁，涵盖健康与多种免疫相关疾病）的约 900 万个外周血单个核细胞（PBMC），开发了优化的整合流程与新的无标签整合质量评估指标，形成 192 种免疫细胞亚群的社区共识注释（含低至 0.004% 的稀有群体），揭示与年龄、性别和疾病相关的协调细胞模块、女性偏倚的干扰素与炎症基因程序及其在 COVID-19 中的扰动，以及前列腺素信号通路中此前未被描述的性别二态性，并提出分层标签迁移框架 scTiger，可将这 192 种注释准确投射到另外约 1800 万个 PBMC 上。
该研究构建了 HARP（Human Cell Atlas Reference for PBMCs），整合来自 15 项研究、四大洲、超过 2600 名供者（从新生儿到 97 岁，涵盖健康与多种免疫相关疾病）的约 900 万个外周血单个核细胞（PBMC），开发了优化的整合流程与新的无标签整合质量评估指标，形成 192 种免疫细胞亚群的社区共识注释（含低至 0.004% 的稀有群体），揭示与年龄、性别和疾病相关的协调细胞模块、女性偏倚的干扰素与炎症基因程序及其在 COVID-19 中的扰动，以及前列腺素信号通路中此前未被描述的性别二态性，并提出分层标签迁移框架 scTiger，可将这 192 种注释准确投射到另外约 1800 万个 PBMC 上。
arXiv 2026年9月25日
该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。
该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。
DUCX 把胸片智能体的不公平拆到工具暴露、工具切换与推理三个环节，发现端到端差距之外还有最高约50%的工具条件差距
该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。
该工作以 MedRAX 为实例，对使用工具的胸片问答智能体做分阶段公平性审计，提出 DUCX 框架把端到端偏差分解为工具暴露偏差、工具切换偏差与 LLM 推理偏差，并在 CheXAgentBench 与自建的 MIMIC-FairnessVQA 上、用五个驱动 LLM 评测，发现人口学差距在端到端指标上持续存在（均等机会差最高 20.79%，最低公平-效用权衡降至 28.65%），且工具使用、切换模式与推理文本中的子群差异无法仅由端到端评测预测（例如在分割工具可用条件下，子群效用差距最高达 50%）。
arXiv 2026年9月25日
该研究在ThyroidXL（11,635张图像、4,093名患者）上训练统一多任务模型，并在外部DDTI（660张图像）上测试，刻画了CNN（ResNet34）与医学ViT（MedSAM）在跨中心域偏移下分割与TI-RADS恶性分类之间的负迁移，并提出轻量级解码器侧适配器MKGA及其残差变体ResMKGA，通过多核感受野细化与语义上下文门控抑制伪影特征；结果显示适配器提升了域外分割稳定性（ResNet34+MKGA外部Dice 0.659、ResMKGA 0.671，对比未冻结基线0.590），并在CNN设置下显著提高TI-RADS诊断准确率（0.406→0.632，McNemar p<0.001）
该研究在ThyroidXL（11,635张图像、4,093名患者）上训练统一多任务模型，并在外部DDTI（660张图像）上测试，刻画了CNN（ResNet34）与医学ViT（MedSAM）在跨中心域偏移下分割与TI-RADS恶性分类之间的负迁移，并提出轻量级解码器侧适配器MKGA及其残差变体ResMKGA，通过多核感受野细化与语义上下文门控抑制伪影特征；结果显示适配器提升了域外分割稳定性（ResNet34+MKGA外部Dice 0.659、ResMKGA 0.671，对比未冻结基线0.590），并在CNN设置下显著提高TI-RADS诊断准确率（0.406→0.632，McNemar p<0.001）
在甲状腺超声跨中心迁移中，解码器侧多核门控适配器把CNN的TI-RADS诊断准确率从0.406提升到0.632，并改善外部分割Dice
该研究在ThyroidXL（11,635张图像、4,093名患者）上训练统一多任务模型，并在外部DDTI（660张图像）上测试，刻画了CNN（ResNet34）与医学ViT（MedSAM）在跨中心域偏移下分割与TI-RADS恶性分类之间的负迁移，并提出轻量级解码器侧适配器MKGA及其残差变体ResMKGA，通过多核感受野细化与语义上下文门控抑制伪影特征；结果显示适配器提升了域外分割稳定性（ResNet34+MKGA外部Dice 0.659、ResMKGA 0.671，对比未冻结基线0.590），并在CNN设置下显著提高TI-RADS诊断准确率（0.406→0.632，McNemar p<0.001）
该研究在ThyroidXL（11,635张图像、4,093名患者）上训练统一多任务模型，并在外部DDTI（660张图像）上测试，刻画了CNN（ResNet34）与医学ViT（MedSAM）在跨中心域偏移下分割与TI-RADS恶性分类之间的负迁移，并提出轻量级解码器侧适配器MKGA及其残差变体ResMKGA，通过多核感受野细化与语义上下文门控抑制伪影特征；结果显示适配器提升了域外分割稳定性（ResNet34+MKGA外部Dice 0.659、ResMKGA 0.671，对比未冻结基线0.590），并在CNN设置下显著提高TI-RADS诊断准确率（0.406→0.632，McNemar p<0.001）
arXiv 2026年9月25日
该研究提出ICHOR，一种基于3D掩码自编码器（ViT-Base编码器加轻量解码器）的ASL脑血流（CBF）图自监督预训练框架，在来自14项研究、多站点多协议的11405例ASL CBF扫描上预训练，并在三项诊断分类任务和一项ASL CBF图质量预测回归任务上评估，结果显示其在四项任务上整体优于BrainIAC、BrainSegFounder和MedicalNet等结构MRI预训练基线。
该研究提出ICHOR，一种基于3D掩码自编码器（ViT-Base编码器加轻量解码器）的ASL脑血流（CBF）图自监督预训练框架，在来自14项研究、多站点多协议的11405例ASL CBF扫描上预训练，并在三项诊断分类任务和一项ASL CBF图质量预测回归任务上评估，结果显示其在四项任务上整体优于BrainIAC、BrainSegFounder和MedicalNet等结构MRI预训练基线。
ICHOR用11405例ASL脑血流图自监督预训练，在四项下游任务上整体优于结构MRI预训练基线
该研究提出ICHOR，一种基于3D掩码自编码器（ViT-Base编码器加轻量解码器）的ASL脑血流（CBF）图自监督预训练框架，在来自14项研究、多站点多协议的11405例ASL CBF扫描上预训练，并在三项诊断分类任务和一项ASL CBF图质量预测回归任务上评估，结果显示其在四项任务上整体优于BrainIAC、BrainSegFounder和MedicalNet等结构MRI预训练基线。
该研究提出ICHOR，一种基于3D掩码自编码器（ViT-Base编码器加轻量解码器）的ASL脑血流（CBF）图自监督预训练框架，在来自14项研究、多站点多协议的11405例ASL CBF扫描上预训练，并在三项诊断分类任务和一项ASL CBF图质量预测回归任务上评估，结果显示其在四项任务上整体优于BrainIAC、BrainSegFounder和MedicalNet等结构MRI预训练基线。
arXiv 2026年9月25日
该工作提出 MAP-Diff，一个多锚点引导的扩散框架，用于渐进式 3D 全身 PET 去噪：它把临床观测到的中间剂量扫描作为轨迹锚点，用时间步相关监督把反向过程正则化到与剂量形成过程对齐的中间状态，锚点时间步通过模拟扩散损坏与真实多剂量 PET 配对之间的退化匹配来校准，并用时间步加权锚点损失稳定分阶段学习；推理时只需超低剂量输入即可实现渐进、剂量一致的中间恢复；在内部（Siemens Biograph Vision Quadra）与跨扫描仪（United Imaging uEXPLORER）数据集上，相比 3D DDPM，内部数据 PSNR 由 42.48 dB 提升至 43.71 dB（+1.23 dB），SSIM 达 0.986，N
该工作提出 MAP-Diff，一个多锚点引导的扩散框架，用于渐进式 3D 全身 PET 去噪：它把临床观测到的中间剂量扫描作为轨迹锚点，用时间步相关监督把反向过程正则化到与剂量形成过程对齐的中间状态，锚点时间步通过模拟扩散损坏与真实多剂量 PET 配对之间的退化匹配来校准，并用时间步加权锚点损失稳定分阶段学习；推理时只需超低剂量输入即可实现渐进、剂量一致的中间恢复；在内部（Siemens Biograph Vision Quadra）与跨扫描仪（United Imaging uEXPLORER）数据集上，相比 3D DDPM，内部数据 PSNR 由 42.48 dB 提升至 43.71 dB（+1.23 dB），SSIM 达 0.986，N
MAP-Diff 用临床中间剂量扫描作锚点约束扩散反演轨迹，在全身低剂量 PET 去噪上把 PSNR 从 42.48 dB 提升到 43.71 dB
该工作提出 MAP-Diff，一个多锚点引导的扩散框架，用于渐进式 3D 全身 PET 去噪：它把临床观测到的中间剂量扫描作为轨迹锚点，用时间步相关监督把反向过程正则化到与剂量形成过程对齐的中间状态，锚点时间步通过模拟扩散损坏与真实多剂量 PET 配对之间的退化匹配来校准，并用时间步加权锚点损失稳定分阶段学习；推理时只需超低剂量输入即可实现渐进、剂量一致的中间恢复；在内部（Siemens Biograph Vision Quadra）与跨扫描仪（United Imaging uEXPLORER）数据集上，相比 3D DDPM，内部数据 PSNR 由 42.48 dB 提升至 43.71 dB（+1.23 dB），SSIM 达 0.986，N
该工作提出 MAP-Diff，一个多锚点引导的扩散框架，用于渐进式 3D 全身 PET 去噪：它把临床观测到的中间剂量扫描作为轨迹锚点，用时间步相关监督把反向过程正则化到与剂量形成过程对齐的中间状态，锚点时间步通过模拟扩散损坏与真实多剂量 PET 配对之间的退化匹配来校准，并用时间步加权锚点损失稳定分阶段学习；推理时只需超低剂量输入即可实现渐进、剂量一致的中间恢复；在内部（Siemens Biograph Vision Quadra）与跨扫描仪（United Imaging uEXPLORER）数据集上，相比 3D DDPM，内部数据 PSNR 由 42.48 dB 提升至 43.71 dB（+1.23 dB），SSIM 达 0.986，N
arXiv 2026年9月25日
该工作提出Gabor基元用于MRI重建：用复指数调制高斯包络，使每个基元的频谱支撑可置于任意k空间位置，并设计几何基与强度基两组低秩时间模型刻画心脏运动与对比度变化；在99例笛卡尔（R=12、R=16）与102例径向（R≈23）心脏电影数据上，Gabor基元在全部设置中取得最高PSNR与SSIM，较高斯基元提升+1.11/+0.72/+0.86 dB，径向较PICS提升+2.34 dB，同时参数比ρ<0.5，并可连续分辨率评估实现4×超分辨。
该工作提出Gabor基元用于MRI重建：用复指数调制高斯包络，使每个基元的频谱支撑可置于任意k空间位置，并设计几何基与强度基两组低秩时间模型刻画心脏运动与对比度变化；在99例笛卡尔（R=12、R=16）与102例径向（R≈23）心脏电影数据上，Gabor基元在全部设置中取得最高PSNR与SSIM，较高斯基元提升+1.11/+0.72/+0.86 dB，径向较PICS提升+2.34 dB，同时参数比ρ<0.5，并可连续分辨率评估实现4×超分辨。
用Gabor基元重建加速心脏电影MRI，在笛卡尔与径向轨迹上PSNR均超过压缩感知、高斯基元与哈希网格INR基线
该工作提出Gabor基元用于MRI重建：用复指数调制高斯包络，使每个基元的频谱支撑可置于任意k空间位置，并设计几何基与强度基两组低秩时间模型刻画心脏运动与对比度变化；在99例笛卡尔（R=12、R=16）与102例径向（R≈23）心脏电影数据上，Gabor基元在全部设置中取得最高PSNR与SSIM，较高斯基元提升+1.11/+0.72/+0.86 dB，径向较PICS提升+2.34 dB，同时参数比ρ<0.5，并可连续分辨率评估实现4×超分辨。
该工作提出Gabor基元用于MRI重建：用复指数调制高斯包络，使每个基元的频谱支撑可置于任意k空间位置，并设计几何基与强度基两组低秩时间模型刻画心脏运动与对比度变化；在99例笛卡尔（R=12、R=16）与102例径向（R≈23）心脏电影数据上，Gabor基元在全部设置中取得最高PSNR与SSIM，较高斯基元提升+1.11/+0.72/+0.86 dB，径向较PICS提升+2.34 dB，同时参数比ρ<0.5，并可连续分辨率评估实现4×超分辨。
arXiv 2026年9月25日
该工作提出 TSegAgent，把口内扫描三维模型的牙齿实例分割与 FDI 编号重构成零样本几何推理问题：先用多视角渲染（含曲率热图）配合 SAM3 文本提示“tooth”生成候选掩膜，再按 IoU 与包含关系合并为面级实例标签，随后由几何感知的视觉语言智能体经多轮对话完成非牙齿区域识别、中切牙定位、全牙弓分类与错误纠正；在含 1200 个三维牙齿模型的 Teeth3DS 上取得 mIoU 93.37、TLA 96.40、TSA 96.76、TIR 97.46、TIR=1 87.17，在来自合作诊所的 340 个更具缺陷与伪影的私有测试模型上取得 mIoU 82.10、TLA 96.68、TSA 95.99、TIR 85.41、TIR=1 5
该工作提出 TSegAgent，把口内扫描三维模型的牙齿实例分割与 FDI 编号重构成零样本几何推理问题：先用多视角渲染（含曲率热图）配合 SAM3 文本提示“tooth”生成候选掩膜，再按 IoU 与包含关系合并为面级实例标签，随后由几何感知的视觉语言智能体经多轮对话完成非牙齿区域识别、中切牙定位、全牙弓分类与错误纠正；在含 1200 个三维牙齿模型的 Teeth3DS 上取得 mIoU 93.37、TLA 96.40、TSA 96.76、TIR 97.46、TIR=1 87.17，在来自合作诊所的 340 个更具缺陷与伪影的私有测试模型上取得 mIoU 82.10、TLA 96.68、TSA 95.99、TIR 85.41、TIR=1 5
TSegAgent 用 SAM3 加几何推理实现零样本牙齿分割与 FDI 识别，在 Teeth3DS 上 mIoU 93.37、TIR=1 达 87.17%，并在私有数据集上保持泛化
该工作提出 TSegAgent，把口内扫描三维模型的牙齿实例分割与 FDI 编号重构成零样本几何推理问题：先用多视角渲染（含曲率热图）配合 SAM3 文本提示“tooth”生成候选掩膜，再按 IoU 与包含关系合并为面级实例标签，随后由几何感知的视觉语言智能体经多轮对话完成非牙齿区域识别、中切牙定位、全牙弓分类与错误纠正；在含 1200 个三维牙齿模型的 Teeth3DS 上取得 mIoU 93.37、TLA 96.40、TSA 96.76、TIR 97.46、TIR=1 87.17，在来自合作诊所的 340 个更具缺陷与伪影的私有测试模型上取得 mIoU 82.10、TLA 96.68、TSA 95.99、TIR 85.41、TIR=1 5
该工作提出 TSegAgent，把口内扫描三维模型的牙齿实例分割与 FDI 编号重构成零样本几何推理问题：先用多视角渲染（含曲率热图）配合 SAM3 文本提示“tooth”生成候选掩膜，再按 IoU 与包含关系合并为面级实例标签，随后由几何感知的视觉语言智能体经多轮对话完成非牙齿区域识别、中切牙定位、全牙弓分类与错误纠正；在含 1200 个三维牙齿模型的 Teeth3DS 上取得 mIoU 93.37、TLA 96.40、TSA 96.76、TIR 97.46、TIR=1 87.17，在来自合作诊所的 340 个更具缺陷与伪影的私有测试模型上取得 mIoU 82.10、TLA 96.68、TSA 95.99、TIR 85.41、TIR=1 5
arXiv 2026年9月25日
PromptGate 提出一种面向开放集联邦主动学习（OS-FAL）的客户端自适应视觉-语言门控模块：在冻结的 BiomedCLIP 上以类特定上下文（CSC）方式学习全局提示（经 FedAvg 聚合）与客户端本地提示，用 VLM 伪标签在查询前把未标注池过滤成高纯度 ID 候选池，再交给任意下游主动学习策略；在 FedISIC 与 FedEMBED 两个联邦医学影像基准上，静态 VLM 提示的 ID 纯度会退化到约 50%，而 PromptGate 保持 95% 以上纯度并达到 98% 的 OOD 召回。
PromptGate 提出一种面向开放集联邦主动学习（OS-FAL）的客户端自适应视觉-语言门控模块：在冻结的 BiomedCLIP 上以类特定上下文（CSC）方式学习全局提示（经 FedAvg 聚合）与客户端本地提示，用 VLM 伪标签在查询前把未标注池过滤成高纯度 ID 候选池，再交给任意下游主动学习策略；在 FedISIC 与 FedEMBED 两个联邦医学影像基准上，静态 VLM 提示的 ID 纯度会退化到约 50%，而 PromptGate 保持 95% 以上纯度并达到 98% 的 OOD 召回。
PromptGate 用联邦可学习提示把开放集联邦主动学习的查询纯度从约 60% 提升到 95% 以上
PromptGate 提出一种面向开放集联邦主动学习（OS-FAL）的客户端自适应视觉-语言门控模块：在冻结的 BiomedCLIP 上以类特定上下文（CSC）方式学习全局提示（经 FedAvg 聚合）与客户端本地提示，用 VLM 伪标签在查询前把未标注池过滤成高纯度 ID 候选池，再交给任意下游主动学习策略；在 FedISIC 与 FedEMBED 两个联邦医学影像基准上，静态 VLM 提示的 ID 纯度会退化到约 50%，而 PromptGate 保持 95% 以上纯度并达到 98% 的 OOD 召回。
PromptGate 提出一种面向开放集联邦主动学习（OS-FAL）的客户端自适应视觉-语言门控模块：在冻结的 BiomedCLIP 上以类特定上下文（CSC）方式学习全局提示（经 FedAvg 聚合）与客户端本地提示，用 VLM 伪标签在查询前把未标注池过滤成高纯度 ID 候选池，再交给任意下游主动学习策略；在 FedISIC 与 FedEMBED 两个联邦医学影像基准上，静态 VLM 提示的 ID 纯度会退化到约 50%，而 PromptGate 保持 95% 以上纯度并达到 98% 的 OOD 召回。
Journal of Neural Engineering 2026年9月25日
该研究在运动想象脑机接口中采用留一类别的分布外检测设置，先在某些类别上训练模型，再观察未见过的新运动类别能否通过不确定性升高被识别；结果显示，由于脑电信号固有的高变异性，许多受试者对熟悉类别的预测不确定性反而高于分布外类别，导致在其他机器学习领域表现良好的多种分布外检测方法在此失效，但分布外检测性能与在任务上的表现相关，深度集成模型和MC-Dropout模型在任务表现高的模型与受试者上可取得在任务AUROC大于0.9、分布外检测能力最高约0.7，说明当任务表现足够高时拒绝陌生认知状态是可行的。
该研究在运动想象脑机接口中采用留一类别的分布外检测设置，先在某些类别上训练模型，再观察未见过的新运动类别能否通过不确定性升高被识别；结果显示，由于脑电信号固有的高变异性，许多受试者对熟悉类别的预测不确定性反而高于分布外类别，导致在其他机器学习领域表现良好的多种分布外检测方法在此失效，但分布外检测性能与在任务上的表现相关，深度集成模型和MC-Dropout模型在任务表现高的模型与受试者上可取得在任务AUROC大于0.9、分布外检测能力最高约0.7，说明当任务表现足够高时拒绝陌生认知状态是可行的。
在运动想象脑机接口中，七种分布外检测方法因脑电内在变异性而失效，但深度集成与MC-Dropout在任务表现高的受试者上仍可达到最高0.7的分布外检测能力
该研究在运动想象脑机接口中采用留一类别的分布外检测设置，先在某些类别上训练模型，再观察未见过的新运动类别能否通过不确定性升高被识别；结果显示，由于脑电信号固有的高变异性，许多受试者对熟悉类别的预测不确定性反而高于分布外类别，导致在其他机器学习领域表现良好的多种分布外检测方法在此失效，但分布外检测性能与在任务上的表现相关，深度集成模型和MC-Dropout模型在任务表现高的模型与受试者上可取得在任务AUROC大于0.9、分布外检测能力最高约0.7，说明当任务表现足够高时拒绝陌生认知状态是可行的。
该研究在运动想象脑机接口中采用留一类别的分布外检测设置，先在某些类别上训练模型，再观察未见过的新运动类别能否通过不确定性升高被识别；结果显示，由于脑电信号固有的高变异性，许多受试者对熟悉类别的预测不确定性反而高于分布外类别，导致在其他机器学习领域表现良好的多种分布外检测方法在此失效，但分布外检测性能与在任务上的表现相关，深度集成模型和MC-Dropout模型在任务表现高的模型与受试者上可取得在任务AUROC大于0.9、分布外检测能力最高约0.7，说明当任务表现足够高时拒绝陌生认知状态是可行的。

第 17 页 · 当前显示 10 项