跨模态目标检测旨在融合来自不同模态的互补信息以提高模型性能，从而实现更广泛的应用。然而，传统的基于CNN或Transformer的跨模态融合方法不能很好地处理伪目标信息问题，导致模型注意力分散从而降低目标检测性能。在本文中，我们研究了一种新的跨模态融合方法，通过在隐藏状态空间中关联跨模态特征，基于改进的Mamba和门控注意力机制。我们提出了Fusion - Mamba Block ( FMB )，

目前大多数阿尔茨海默病(AD)和轻度认知障碍(MCI)研究使用单一数据模式来预测AD阶段。多个数据模式的融合可以提供AD分期分析的整体视图。因此，我们使用深度学习(DL)对成像(磁共振成像(MRI))、遗传(单核苷酸多态(SNPs))和临床测试数据进行综合分析，将患者分为AD、MCI和对照组(CN)。我们使用堆叠式去噪自动编码器从临床和遗传数据中提取特征，并使用3D卷积神经网络(CNN)来处理成像

背景：磁共振成像为研究酒精使用障碍（AUD）、尼古丁使用障碍（NUD）及遗传学研究的神经表型提供了非侵入性工具。基于数据的跨诊断方法有望为AUD和NUD的神经生物学提供新的视角。方法：利用英国生物样本库中AUD患者（n=140）、NUD患者（n=249）和健康对照组（n=461）样本，我们整合了临床、神经影像和遗传标志物，识别AUD和NUD的生物型。我们根据与临床指标相关的静息-功能连接性（FC）

在以往的研究中，年龄差距被广泛用作加速衰老的衡量标准。传统上，年龄差距被定义为模型预测年龄回归后对时间顺序年龄11、67、68的残差。这一定义源自传统的建模方法，在监督回归模型中使用时间年龄作为标签;然而，回归模型常常会回归到平均极限67,68，导致年龄预测在时间线两个极端的个体中存在显著偏差。通过对预测年龄按时间年龄回归，残差代表个体预测年龄与同龄人平均预测年龄的偏差。这反映了个体相对于同龄人看

点击查看原文，可以跳转到新闻的36氪链接。

生物和医学检查方法的快速发展极大地扩展了个人生物医学信息，包括分子、细胞、图像和电子健康记录数据集。整合这些丰富的信息，使得临床环境中能够精确诊断疾病、识别生物标志物和治疗设计。人工智能（AI）技术，尤其是深度学习模型，已被广泛应用于生物医学应用，展示了更高的精度、效率和泛化性。大型语言和视觉模型的成功进一步显著扩展了其生物医学应用。然而，学习这些多模态生物医学数据集（如数据隐私、融合和模型解释）

跨模态目标检测旨在融合来自不同模态的互补信息以提高模型性能，从而实现更广泛的应用。然而，传统的基于CNN或Transformer的跨模态融合方法不能很好地处理伪目标信息问题，导致模型注意力分散从而降低目标检测性能。在本文中，我们研究了一种新的跨模态融合方法，通过在隐藏状态空间中关联跨模态特征，基于改进的Mamba和门控注意力机制。我们提出了Fusion - Mamba Block ( FMB )，

生存预测对于指导癌症治疗和评估治疗效果至关重，肿瘤的异质性带来了准确预后的挑战。多模态学习整合了影像学、基因组学和临床记录的数据，为这一复杂任务提供了有前景的方法。虽然近期研究主要聚焦于影像和基因组数据，但反映患者整体健康的临床信息因其离散、稀疏且低维特性而未被充分利用。我们提出SurvPGC，这是一种结合病理图像、基因组数据和临床记录的综合模型，用于癌症预后。临床信息通过文本模板和基础模型转化为

医学图像中解剖结构和病理的分割对于现代疾病诊断、临床研究和治疗计划至关重要。尽管基于深度学习的分割技术取得了重大进展，但许多方法在数据效率、泛化性和交互性方面仍存在局限性。因此，开发需要更少标注数据集的稳健分割方法仍是医学图像分析中的一项关键挑战。近年来，基础模型如CLIP和Segment-Anything-Model（SAM）的引入，结合了强大的跨域表示，为交互式和通用图像分割开辟了道路。然而，

精确肿瘤学在解释复杂的细胞信号和预测跨异质癌症环境的药物反应方面面临着关键挑战。在这里，我们提出了BioGDR，一个多模态可解释的深度学习框架，它集成了基于结构的预测生物特征差异基因表达和激酶抑制谱，消除了对实验测量的需要。通过通过路径信息图形神经网络对肿瘤转录状态进行建模，并采用药物引导的注意策略，BioGDR能够对化合物和细胞环境中的药物敏感性进行机械性的洞察。