阿尔茨海默病患者Stroop范式下大脑连接机制研究

目的研究阿尔茨海默病(Alzheimer disease,AD)患者在经典认知能力评估范式Stroop下的大脑连接机制变化。方法选取佛山市第一人民医院的25名受试者作为研究对象,其中包括认知功能正常老年人9名(对照组)、轻度认知功能障碍(mild cognitive impairment,MCI)患者10例和AD患者6例,通过功能近红外光谱成像技术(functional near infrared reflectance spectroscopy,fNIRS)采集研究对象在静息状态和Stroop颜色、文字刺激任务状态下大脑皮层激活和效应连接情况。数据采集过程中所使用的fNIRS设备包含61通道,覆盖研究对象大脑双侧额叶、颞叶和枕叶区域,数据分析过程中通过数据滤波、时频变换和动态贝叶斯推理等技术实现。结果对照组、MCI和AD组在文字、颜色刺激下的任务完成准确率依次下降(96.9%、96.9%、51.6%和96.4%、72.3%、39.1%)。三组研究对象在任务状态下双侧颞叶激活程度较静息状态下增加,且任务状态下MCI组和AD组激活程度较对照组表现出降低趋势,激活区域表现出增加趋势;对照组、MCI组和AD组部分脑区间耦合强度表现出依次增加趋势。结论相较于认知功能正常老年人,MCI和AD患者在完成相同任务时需调用更多大脑资源,大脑激活区域增大,但激活强度降低。

以人为本的可解释智能医疗综述

随着人工智能(artificial intelligence,AI)的高速发展,“黑盒”模型已逐渐展示出逼近甚至超越人类的能力,尤其在智能医疗等高风险应用场景中,其可解释性是用户在应用中信任和理解AI的关键基础.虽然已有工作提供了大量事前和事后的AI可解释方法,但大都采用通用型解决思路,未考虑不同用户在不同场景下多维度的理解和信任需求.以人为本的AI可解释方法能够针对用户实际需求对AI模型进行可解释分析,近年来逐渐受到国内外学者的关注.文中聚焦智能医疗应用,对近5年人机交互国际顶级会议的文献进行分析,回顾现有辅助诊断、辅助用药、未病预警方面以人为本的AI可解释方法及系统,从决策时间花费、用户专业度和诊疗工作流程3个维度梳理和定位可解释需求的系统性方法,得出4类典型用户画像和对应案例;并从考虑资源受限、不同用户的多样需求、与现有流程结合3个方面,为如何设计可解释的医疗辅助诊断系统提出建议.

基于细粒度迁移的跨场景认知能力评估方法

认知健康是大脑健康的重要组成部分,与个体全生命周期的正常发展密切相关.目前,非受限普适场景下的认知能力评估已成为实现认知障碍相关疾病早期预警的重要途径.然而,在医疗、家庭等不同计算场景下,因感知设备、认知评估流程等的不同,往往存在不同场景间评估模型相互适用难的问题.针对以上跨场景认知能力评估挑战,本文提出了一种参数自适应的细粒度迁移学习方法 PAFG-TL.PAFG-TL基于随机森林模型实现,通过参数自适应的个体分类器评估策略和领域自适应的决策树生长机制实现参数无关的个体分类器聚类评估和决策树细粒度进化生长.通过在临床认知评估和公开基准数据集上进行实验验证,证明了PAFG-TL方法在跨场景认知能力评估中的有效性.