跨模态医学图像翻译长期受解剖不一致的合成结果困扰，标准生成对抗网络同时更新生成器与判别器，容易让共享表示被两股相反梯度拉扯。StaX-Net把生成器与判别器的多尺度计算块交错共享，让判别器先更新、生成器更新时冻结共享块，并用只在训练期可见的目标MRI引导特征变换。在SynthRAD 2025的腹部/盆腔、头颈和胸部三个子集上，它与五个基线对比，腹部/盆腔的VGG感知距离为642.1，低于Pix2Pix的991.2和UNet-AE的1687.9。
一项多队列外部验证显示，一个此前训练好的生成对抗网络无需重新训练，就能从标准12导联心电图合成二尖瓣环组织多普勒速度与位移参数。在1,065例急性心梗住院患者中，合成e′在GRACE评分之上仍独立预测全因死亡；在出院后亚组中，它把判别力从C指数0.67提高到0.70，并在AI-ECG预测与实测射血分数之外保持独立。在219,564例门诊人群中，三个参数均与心梗特异性死亡相关，MAPSE效应最大。
该研究合并两个多模态qMRI-PET数据集（n=74，含阿尔茨海默病、主观认知下降与健康对照），以[18F]UCB-H PET经Logan图分析得到的分布容积VT作为突触密度参考，用ComBat做跨数据集协调，比较经典机器学习（SVR、PLS、Elastic Net、随机森林）与深度学习（U-Net、ResUNet++、Pix2Pix类条件GAN）从R1、R2*、MTsat、PD等qMRI图预测PET样突触密度图像的能力，结果显示Elastic Net在经典模型中最佳（R²=0.50，RMSE=0.448，MAE=0.331），深度学习整体更优且3D U-Net最稳定，在灰质区z-score数据上预测
这篇综述系统梳理了基于人工智能、机器学习、深度学习和生成对抗网络（GAN）的自闭症谱系障碍（ASD）筛查研究，重点考察行为、遗传、环境、神经影像、生理与临床等多模态数据的融合方式以及GAN在合成数据生成与数据增强中的作用，并指出多模态AI相比单模态方法可能更全面地刻画ASD相关特征，但仍面临数据集有限且异质、类别不平衡、多模态整合困难、GAN训练不稳定、合成数据质量、隐私安全、可解释性、泛化性与外部临床验证不足等挑战。
已读完全部报道