arXiv:2510.23946cs.CL2025-10
用大模型分析脑连接动态，提前精准预测阿尔茨海默病。
Leveraging LLMs for Early Alzheimer's Prediction
- 将动态脑连接数据转为时序序列输入冻结的大模型
- 在早期阿尔茨海默病预测中误差低于临床可接受范围
- 适合神经影像与临床辅助诊断研究者参考
我们提出一种基于脑网络的大型语言模型框架，将动态功能磁共振成像（fMRI）连接性编码为时间序列，经过稳健归一化处理后，映射为适配预训练冻结大模型的表示形式，用于临床预测。该方法应用于早期阿尔茨海默病检测，在误差率显著低于临床公认阈值的情况下实现高敏感性预测，为早期干预提供可能。
原文摘要 · Abstract (English)
We present a connectome-informed LLM framework that encodes dynamic fMRI connectivity as temporal sequences, applies robust normalization, and maps these data into a representation suitable for a frozen pre-trained LLM for clinical prediction. Applied to early Alzheimer's detection, our method achieves sensitive prediction with error rates well below clinically recognized margins, with implications for timely Alzheimer's intervention.
阿尔茨海默病脑网络大模型应用
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。