在采用支持向量机（SVM）的研究中，ASD-女性（ASD-F）的准确率为69%，ASD-男性（ASD-M）的准确率为66%。DL技术已经广泛应用于医学与神经学领域，如癫痫发作检测、癫痫发作预测、癫痫诊断与分类、自闭症、神经假体视觉优化、中风后基于运动想象的康复、情感倾向分析、情感识别、颅内皮层电图（ECoG）分类、用于区分手部运动规划的脑机接口（BCI）、诵读困难（失读症）生物标记检测，以及近年来

在采用配对设计的22项研究中，3项研究(14%)使用了逐例顺序的有无AI解读，11项研究(50%)使用了顺序的有无AI会话，5项研究(23%)使用了交叉设计(剩余3项研究使用了其他设计特征)。Futoma等人将医学AI算法泛化性的潜在威胁分类如下：(a)实践模式随时间的变化，(b)医疗系统之间的实践差异，(c)患者人口统计学变异，(d)患者基因型和表型变异，(e)用于数据捕获的硬件和软件变异，以及

机器学习的日益普及导致了一些工具的开发，旨在使这种方法的应用易于机器学习新手。这些努力已经产生了PRoNTo和NeuroMiner这样的工具，这并不需要任何编程技能。然而，尽管这些工具可能非常有用，但它们的简单性是以透明度和灵活性为代价的。学习如何编程一个机器学习管道(即使是一个简单的)是一个很好的方式来洞察这种分析方法的优势，以及沿着机器学习管道可能发生的扭曲。此外，它还允许更大的灵活性，如使用

人类大脑白质的宏观和微观结构在整个发育和衰老过程中都经历了实质性的变化。当前的研究者对这些描述整个生命周期的人脑的空间和时间特征的大部分了解来自磁共振成像(MRI)，包括扩散磁共振成像(dMRI)，它能够以前所未有的灵敏度和细节对脑白质进行可视化和量化。然而，以前绝大部分研究依赖于横断面设计、有限的年龄范围和基于常规单壳（即单b值）磁共振成像的扩散张量成像(DTI)。在本项研究中包括了702个多壳

关于脑电图来源的神经生理学知识，关于电活动如何传播的生物物理学知识，关于传导组织的解剖学知识，以及关于神经元活动分布的知识或假设，都是这种先验约束的贡献者。在生成器定义良好的记录中测试结果是另一种方法，但这可能会导致预选最适合所提议方法的数据的风险，以及该方法在多大程度上可以推广到测试条件以外的其他条件的问题。一种方法的敏感性是通过评估该方法所提出的定位是否在术后无癫痫发作患者的切除区域内来确定的

ASD是一种以大脑为基础的疾病，其特征是社会缺陷和重复行为。根据美国疾病控制中心最近的数据，美国68名儿童中就可能有1名患有自闭症。本研究的目的是基于深度学习算法从大型脑成像数据集中识别自闭症谱系障碍（ASD）患者。本文调查了一个ASD患者的大脑成像数据，该数据来自一个名为EXVIDE（自闭症大脑成像数据交换）的全球多站点数据库。本文主要从功能性脑成像数据中客观识别ASD参与者的功能连接模式，并试

例如，2016年世界卫生组织对中枢神经系统肿瘤的分类，重新审视了分类弥漫性胶质瘤的指南，推荐结合分子标记（例如，异柠檬酸脱氢酶1和2（IDH1/2）突变状态）进行组织病理学诊断，因为单独的每种模式都不足以解释患者预后的差异。虽然深度学习可以从复杂数据中提取预测特征，但这些特征通常是抽象的，而且并不总是明显的，它们在临床上是否相关。一种流行的方法是数据增强，它可以包括基本的数据转换以及合成数据的生成

重度抑郁症(MDD)是导致残疾和发病率最大的单一因素，影响全球约10%的人口。目前，临床上还未发现有用的诊断生物标志物可以从抑郁症和双相情感障碍(BD)的早期就能诊断出抑郁症。因此，迫切需要探索基于机器学习的方法找到情感障碍的生物标记物，尽管这在当前仍旧具有很大的挑战性，但机器学习方法仍旧在提高我们对这些障碍的理解方面具有巨大潜力。本文中，作者们总结了用于大脑成像分类和预测的常用的机器学习方法，并

诊断作为医学的核心原则之一，依赖于多模态数据的结合和严谨的决策。肿瘤作为医疗决策中独特的类型，不仅因为它的形式随着疾病的变化而变化，而且还需要考虑到患者的个人状况、他们接受治疗的能力和他们对治疗的反应。尽管目前技术有所改进，但在肿瘤的准确检测、表征和监测方面仍存在挑战。疾病的放射学评估最常依赖于视觉评估，其解释可通过先进的算法加以分析。...

基于MD的TBSS的LMCI相关白质改变我们还进行了基于平均扩散性（MD）的TBSS，以研究LMCI相关的WM改变（图3A）。在图4B中，我们进一步探讨了这些区域的哪些组合可以通过AdaBoost分类器提供更好的性能（例如，#1 额叶-顶叶，#2 颞叶-顶叶，#3 颞叶-枕叶，#4 前叶-颞叶，#5 颞叶-枕叶，#6 胼胝体（CC）-扣带回-岛叶-丘脑，#7 前叶-顶叶-岛叶-丘脑，#8 颞叶-枕