当前位置:首页 > 今日动态 > 神经科学
  • 综述:人工智能驱动的皮肤病学诊断:基于机器与深度学习方法的皮肤疾病分类系统综述

    皮肤疾病是全球范围内最为常见的医学状况之一,涵盖从轻度障碍到危及生命的恶性肿瘤。由于视觉变异性高且临床症状相互重叠,其准确诊断仍具挑战性。本系统综述覆盖了2018年至2025年间发表的研究,评估了计算机视觉(Computer Vision, CV)、机器学习(

    来源:Array

    时间:2026-04-01

  • 综述:儿童创伤性脑损伤患者中的减压性颅骨切除术:最新综合综述

    本研究系统综述33项纳入666例儿童TBI的去骨瓣减压术(DC)临床研究,显示DC使66.1%患者获得良好预后(死亡率18.9%),证实DC对重症儿童TBI的生存与功能恢复有效,但存在异质性需标准化报道和多中心试验优化。

    来源:Child's Nervous System

    时间:2026-04-01

  • 神经影像学和激素生物标志物检测在早期行为干预研究中的可接受性

    本研究通过混合方法探讨家长对神经影像和激素生物标志物收集的接受度,发现多数家长支持但关注流程耐受性和数据隐私,建议未来改进透明度和适应性。

    来源:Maternal and Child Health Journal

    时间:2026-04-01

  • 棉被屏障下的可靠睡姿识别:基于定制卷积神经网络与热成像的创新方案

    本文针对真实家庭环境中,因棉被等床上用品导致热信号衰减、影响非接触式睡姿监测精度的问题,研究人员开展了基于热敏传感器阵列(TSA)和定制化卷积神经网络(CCNNs)的睡眠姿态分类研究。他们设计了四种面向不同棉被厚度条件的模型,在真实家庭环境中用40,000张热图像进行验证,在无被、薄被、中等被、厚被条件下分别达到了98.60%、97.80%、85.33%和81.40%的识别准确率,整体准确率为90.78%。这项研究为在保护隐私的前提下,实现家庭环境中的长期、稳健睡眠监测提供了有力的概念验证。

    来源:IEEE Access

    时间:2026-04-01

  • 基于水平联邦学习的隐私保护神经网络预测建模在保险业中的应用与创新

    为解决保险公司在数据稀缺与隐私保护双重压力下无法协同建模的难题,研究人员针对“隐私保护的神经网络预测建模”这一主题,利用水平联邦学习(FL)技术开展研究。他们创建了一个模拟的10家保险公司汽车保险市场,发现通过FL构建的集体模型,在未共享任何敏感客户数据的前提下,其预测精度(暴露加权泊松偏差解释率5.34%)接近数据完全共享的集中式模型(5.57%),显著优于各公司独立建模(最高3.82%)。该研究为保险业在严格数据监管下实现安全协作、提升模型性能提供了创新性解决方案。

    来源:British Actuarial Journal

    时间:2026-04-01

  • 人格特质与在线信贷决策:基于手机数据的行为心理机制与风险预测研究

    为解决在线信贷市场快速增长但违约风险高、传统软信息评估方法(如问卷)存在主观性强和可扩展性不足的问题,本研究利用手机使用数据构建尽责性与神经质的人格特质指标,探究其对在线借贷与违约决策的影响及其心理机制。研究发现,高尽责性个体借款与违约概率更低,而高神经质个体则更可能借款且违约风险更高。该研究揭示了自我控制、家庭支持、消费金额和贷款金额等对人格特质影响信用决策的调节作用,为金融机构利用数字化行为足迹进行风险评估和决策优化提供了理论与实践依据。

    来源:Financial Innovation

    时间:2026-04-01

  • 综述:人工智能在注意力缺陷多动障碍诊断中的应用:基于机器学习的精准医学综述、临床验证挑战与实施障碍

    这篇综述系统分析了人工智能(尤其是机器学习ML/深度学习DL)在注意力缺陷多动障碍(ADHD)临床诊断与评估路径中的前沿应用。文章评估了基于脑电图(EEG)、神经影像、可穿戴技术、虚拟现实、眼动追踪、基因组学、数字治疗和多模态融合等多种数据模态的应用价值、诊断性能与临床验证挑战,并讨论了实现临床转化的关键障碍与未来方向。研究表明,尽管部分技术在特定条件下展现出极高的准确度(如EEG分类可达99%),但经过严格验证的研究显示其实用临床性能通常在70-85%的范围内。综述强调了解释性、类不平衡、方法论严谨性、金标准诊断验证及监管框架等核心问题,主张将AI定位为辅助临床决策的互补工具。

    来源:Egyptian Pediatric Association Gazette

    时间:2026-04-01

  • 用于动态约束多目标进化优化的在线时空预测

    本文提出基于时空预测策略的动态约束多目标优化算法(STPS),通过将历史Pareto解映射为二维图像构建时空序列,结合CNN和GRU模型预测新环境下的初始种群,并设计增量学习机制优化预测精度。实验表明,STPS在多个基准测试和实际案例中显著优于现有算法。

    来源:Expert Systems with Applications

    时间:2026-04-01

  • 基于流行度的混合图注意力网络在学术推荐中的应用

    摘要采用双塔结构融合用户流行度和合作者影响力,通过自注意力机制捕捉个体偏好,图注意力机制建模协作网络。实验在CNKI、OpenReview等三个学术数据集上验证,平均性能提升5-10%,NDCG@10最高提升16.66%。研究提出动态关键词流行度计算方法,并验证了跨领域适应性。

    来源:Expert Systems with Applications

    时间:2026-04-01

  • 基于先验知识的自适应联邦双场景图神经网络在凝析气生成预测中的应用

    BOG预测框架融合物理先验知识、联邦学习与图神经网络,通过加权图结构建模传感器间拓扑依赖,开发双场景自适应联邦学习机制,在保护数据隐私前提下提升模型泛化能力,实验验证其物理一致性、预测精度及多场景适应性显著优于传统方法。

    来源:Engineering Applications of Artificial Intelligence

    时间:2026-04-01


高级人才招聘专区
最新招聘信息:

知名企业招聘:

    • 国外动态
    • 国内进展
    • 医药/产业
    • 生态环保
    • 科普/健康