研究团队用噪声与混响干预三种自监督语音模型，发现声学因素会系统性改变阿尔茨海默病预测
该研究在ADReSSo数据集与三种大型自监督语音骨干模型上，对仅参与者语音、非语音和完整录音施加受控噪声与混响干预，并结合逐层线性解码、输入与表征空间干预及几何对齐分析，发现受控声学干预会改变三种骨干模型的阿尔茨海默病预测，其中在原始数据中未显示显著诊断组差异的噪声产生最强干预效应，且效应相对分类器决策方向呈系统性结构、在留出测试集上复现、在表征空间干预方向反转时随之反转。
研究用可解释多模态语音框架在阿尔茨海默病人群中识别出两个语音亚表型，其中一个在共享潜空间中与抑郁源语料中心接近，代理分类器区分两簇的准确率为92.73%
该研究针对阿尔茨海默病（AD）中抑郁难以刻画的问题，构建了一个整合图片描述任务中语言与声学特征的可解释多模态框架，采用源信息跨数据集迁移策略弥补目标AD队列缺乏直接抑郁标签的不足，通过无监督聚类在AD队列中识别出两个语音亚表型，并发现其中一个簇在共享潜空间中与抑郁标注源语料的抑郁中心具有余弦相似度意义上的数学接近性，随后用代理监督分类任务验证簇的可分性，保留的多模态人工神经网络在独立内部留出测试集上取得92.73%的簇可分性准确率，同时用SHAP分析提取特征归因并整理为多模态分类体系，还推导了多模态SHAP归因幅度（MSAM）分数作为探索性模型归因指标。
M²PFN把冻结的TabPFN改造成多模态阿尔茨海默病预测器，在ADNI上取得65.55%宏F1并在两个外部队列零重训迁移
该工作提出M²PFN，一个端到端框架，通过可微推理把任务梯度回传到3D-MRI与表格编码器、用解耦与对比目标将两种模态对齐到与上下文学习先验匹配的共享子空间，并以可学习门控捷径并入冻结的纯表格预测；在ADNI（n=2240，CN/MCI/AD三分类）上达到65.55%宏F1与82.21%宏AUC，超过所比较的单模态与多模态基线，仅替换预测头即可回归基线MMSE（1250人子队列，测试MAE 1.743），并在OASIS-3与SCAN两个外部队列上无需重训取得最佳AUC与最低MMSE MAE，且在认知量表更换时仍可迁移。
SPHERE：让敏感人类数据在AI时代可被直接使用与共享
作者提出SPHERE这一无需建模（model-free）的方法，将敏感数据集转化为可共享的“合成孪生”（synthetic twin），使AI系统与协作者可直接使用而原始记录不离开本地环境；在覆盖五个科学领域的33个数据集上，该方法在抵御对抗性重识别攻击的同时保留了数据的统计结构（均值、方差与相关性被精确复现，线性分析中的效应量与P值数值一致，非线性机器学习效用得以保留，每个孪生可在笔记本电脑上数秒生成），前沿AI智能体在孪生上的科学结论与在原始记录上一致，并可在UK Biobank规模上复现基因组与蛋白质组范围的结果、在三个独立队列与联盟中重现里程碑研究的发现，还首次以涵盖九种模态的SPHERE
已读完全部报道