研究发现，多模态大语言模型（MLLMs）能够自发形成类似于人类的物体概念表征。通过行为实验和神经影像分析，构建了AI模型的“概念地图”，揭示了AI的认知结构与人类的相似性，推动了机器理解的研究进展。

本研究利用多模态模型解决阿尔茨海默病神经影像诊断报告不足的问题。通过应用GPT-4o-mini生成合成报告，训练出的模型能够生成准确且临床相关的神经报告，显示出良好的应用潜力。

本研究提出了一种新算法，旨在从神经影像数据中重建动态系统，解决短时间序列数据推断神经系统生成动力学模型的挑战，有效克服现有方法的局限性，推动脑动态分析的自动化进程。

本文研究了CANDECOMP/PARAFAC张量分解在多维数据降维中的应用，提出了一种基于随机算法的高效计算方法，并通过实验验证了其性能。研究还引入了耦合生成器分解和稀疏主成分分析，展示了在神经影像实验中的应用效果。此外，提出了适用于不同类型数据的多种损失函数的广义低秩张量分解方法，展示了其在社交网络和交通流量预测中的灵活性和准确性。

该文综述多项神经影像深度学习研究：利用自监督学习从3D-PLI图像刻画神经纤维；比较二维、堆叠二维、三平面与三维卷积的海马分割效果；以GradCam和SHAP构建可解释框架检测副扣带沟；并通过fMRI探索语义网络、钙成像研究V4区、物理规范化学习加速集成电路重建、球面网格识别胎儿脑指纹及扩散模型合成脑激活图像。

该文汇总多项脑电与神经影像机器学习研究，采用多领域注意力、卷积网络、Transformer及融合模型，提升脑电情感识别、注意力评估和痴呆诊断性能；结合海马形状、伽玛校正与雅可比域等方法，可区分阿尔茨海默病、轻度认知障碍及学习状态，部分准确率达97%。

该文综述神经影像中可解释深度学习的现状与应用，讨论相关方法、挑战及如何借助模型解释性捕捉与预测相关的脑解剖和功能变化，并指出当前做法局限，为未来研究提供指导。

该文综述了利用深度学习和神经影像技术诊断阿尔茨海默病的研究进展，涵盖静息态功能磁共振、多模态多尺度神经网络、卷积神经网络及自监督学习等方法，用于区分早期AD与轻度认知障碍、预测疾病进展，分类准确率多在83%至93%之间。

该文综述深度学习在神经影像分析中的应用，涵盖基于点云的空间变换网络预测阿尔茨海默病、轻度认知障碍及脑龄，利用FlyTracing数据集与对比学习实现自动神经追踪，深度网络无需配准即可完成全脑分割，tU-Net借助未标注多视图改善前列腺分割，多视角架构兼顾可解释性，MTNeuro基准支持自监督表征学习，半参数生成模型预测随访解剖结构，位置特征提升分割精度，生成网络用于疾病诊断可视化，以及张量技术聚类多视图脑网络。