多发性硬化症（MS）是一种影响中枢神经系统的慢性疾病，全球约有280万人受影响。英国研究团队开发的MindGlide工具通过单次MRI对比提取关键信息，简化了分析过程，提高了治疗效果评估的效率，为MS研究提供了新思路。

伦敦大学学院开发的AI工具MindGlide能够从多发性硬化症患者的MRI扫描中提取大脑损伤等关键信息，简化MRI分析，降低成本，提高治疗效果评估能力，展现出临床应用潜力。

本研究使用图变分自编码器和有监督对比学习的方法，研究了神经系统疾病下海马形态变异，并分离出与年龄和疾病相关的潜变量。该模型在离散度分数方面表现优异，能区分多发性硬化症患者的年龄组和疾病状态，并显示了不同年龄下海马体积变化的结果。这项研究对于了解不同年龄组多发性硬化症患者的神经系统疾病和海马形态变化之间的关系具有重要意义。

本研究提出了一种名为mDPPM的方法，通过引入基于掩码的正则化来重新定义扩散模型的生成任务，以将无标签数据用于自我监督学习，从健康脑的样本级标签生成所需的表示，确保结果是解剖一致的。该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法，并展示了我们的无监督方法相对于现有完全/弱监督基线的优越性能。

基于医学影像的个性化医学利用神经随机微分方程预测疾病进展和治疗效果。实验结果表明该模型准确预测多发性硬化症患者的残疾发展和治疗效果，并发现临床试验中未达终点的患者亚组。

本文提出了一个连续时间因果框架，利用神经随机微分方程进行建模，以患者的高维影像和表格数据为输入，预测不同治疗的进展轨迹。实验结果表明，该模型可以准确预测多发性硬化症患者的残疾发展和治疗效果，并发现临床试验中未达到终点的患者亚组。

该论文研究了自动化深度学习工具在多发性硬化症患者磁共振成像扫描中的白质病变分割中的不确定性量化作为其可靠性指标。研究探讨了不确定性在结构化输出分割任务中的两个主要方面，并提出了新的衡量不确定性的方法。通过分析来自多中心的MRI数据集，结果表明我们的方法能够更有效地捕捉模型在病变和患者尺度上的错误。

该论文研究了自动化深度学习工具在多发性硬化症患者磁共振成像扫描中的白质病变分割中的不确定性量化作为其可靠性指标。研究探讨了不确定性在结构化输出分割任务中的两个主要方面，并提出了新的衡量不确定性的方法。通过分析来自多中心的 MRI 数据集，结果表明我们的方法能够更有效地捕捉模型在病变和患者尺度上的错误。

该研究提出了一种名为mDPPM的方法，通过引入基于掩码的正则化来重新定义扩散模型的生成任务，以将无标签数据用于自我监督学习，从而生成健康脑的样本级标签。该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法，并展示了无监督方法相对于现有完全/弱监督基线的优越性能。