标签
本文提出了一种粒度感知的EEG特征框架，将多尺度描述符组织为全局、区域和通道级别，以预测维度精神病理。使用HBN队列研究表明，基于树的模型和粒度平衡的特征选择带来了适度的改进，表明多尺度EEG特征包含微弱但可检测的儿童心理健康信号。
本研究利用ADNI数据集中的八项临床生物标志物，构建了一个结合SHAP可解释性的XGBoost分类器，实现对阿尔茨海默病的三分类检测（认知正常、轻度认知障碍、AD），在留出测试集上达到宏观AUC 0.982、Cohen's kappa 0.909。SHAP分析表明，CDR整体评分是认知正常和轻度认知障碍的主导预测因子，而CDR-SB与MMSE共同驱动了AD的分类判别。
本研究评估了机器学习模型在利用无创患者报告数据和尿液生物标志物对沙眼衣原体感染进行检测前风险分层中的应用，展示了适中的预测性能以及两种数据类型的互补价值。
本文提出了一种残差间隙感知变换器，将混合效应统计参考与基于变换器的残差学习相结合，利用ADNI临床和生物标志物历史数据预测24个月CDR-SB变化，在均方误差和相关性上均优于基线模型。