舌部运动网络不再用固定靶点:个体化AI神经调控把目标状态占比从82%提到97%
个体化AI驱动的fMRI神经调控平台iNM不再对所有人使用同一套固定脑区靶点,而是从每位参与者自身的解剖与功能数据中构建“神经功能孪生”,在2秒时间分辨率下闭环强化舌部运动感觉网络。在健康参与者中,无监督隐马尔可夫模型显示目标状态占比由对照的82%升至97%,吞咽相关干扰状态由18%降至3%,运动、感觉与注意网络间连接增强53%至74%,且效应延续到停止调控后的时段。
个体化AI驱动的fMRI神经调控平台iNM不再对所有人使用同一套固定脑区靶点,而是从每位参与者自身的解剖与功能数据中构建“神经功能孪生”,在2秒时间分辨率下闭环强化舌部运动感觉网络。在健康参与者中,无监督隐马尔可夫模型显示目标状态占比由对照的82%升至97%,吞咽相关干扰状态由18%降至3%,运动、感觉与注意网络间连接增强53%至74%,且效应延续到停止调控后的时段。
该研究提出一种稀疏监督的AI框架,用冻结的超声基础模型(USFM,ViT-B)为每帧提取768维特征,交给轻量双向LSTM时间头输出0到1的帧质量分数,并以高斯软标签(在专家标注的关键帧处取峰值、随帧距平滑衰减,宽度σ=5帧)训练;在18名受试者、323段超声扫查视频(覆盖9种受控采集扫查类型、约45,500帧)的受试者级五折交叉验证中,该方法在含关键帧的扫查里以82.2%的Hit@1选出可用帧、平均最小距离3.07帧,超过最强无训练基线(USFM特征余弦相似度49.2%)与硬标签模型(71.9%)。
已读完全部报道