neuroimaging

本文提出了MPP-GNN，一种元概率池化图神经网络，能够自适应地发现受试者特定的脑模块，用于基于fMRI的阿尔茨海默病分类，在两个公开数据集上取得了最先进的AUC，并与规范的脑网络组织保持一致。

本文提出了一种可解释的感知语音MEG到音频检索模型，利用球谐空间注意力和源映射重新设计，以少得多的解码器参数实现了39.75%的Top-1准确率，同时揭示了哪些语音特征驱动检索。

本文提出了一种轻量级CNN分类器，利用基于欧氏距离的傅里叶-贝塞尔级数展开（FBSE-ED）将脑电信号表示为图像，在预测rTMS抑郁症疗法结果方面达到了93.60%的准确率，优于脑电专用深度学习和预训练深度学习模型。

本文介绍了iLENS，一种可解释的、由大语言模型（LLM）引导的混合专家（MoE）框架，用于阿尔茨海默病的生存预测和患者亚型分析。该方法为其路由决策提供了透明且基于生物学的合理解释，弥合了高性能生存分析与可解释临床决策支持之间的差距。

CALM 是一个从完全无配对的数据集中学习脑区与遗传通路之间可解释关联的框架，能够在无需配对多模态数据的情况下，为自闭症等神经精神疾病发现生物标志物。

Aleph Neuro宣布通过颅骨超声定位显微镜首次获得活体人脑3D图像，体积分辨率比CT高100倍。该公司开源其成像流程和数据集。

本文介绍了Neuro-JEPA，一个基础模型，它使用潜在预测目标和混合专家架构来编码跨T1w、T2w和FLAIR序列的脑部MRI扫描，并在包含155万次扫描的大型数据集上进行了预训练。

本文介绍了BrainSimSiam，一种轻量级自监督框架，利用孪生网络从仅正样本对中学习鲁棒的fMRI表征，即使在有限数据下也能在下游任务上取得强劲表现。

本文利用脑电图记录研究人类处理AI生成的幻觉内容时的神经动力学，揭示了错误判断与正确判断幻觉之间的不同认知模式及差异。

这篇博客探讨了机器学习与神经科学的交叉领域，特别关注利用多元分类技术分析神经影像数据，以理解大脑功能和行为。