预备调查清单

一、待核查内容列表

1. “Smith et al. 2021发现AI模型可检测阿尔茨海默病”

二、核查要点展开

待核查内容1：“Smith et al. 2021发现AI模型可检测阿尔茨海默病”

• 核查原因：
  1. 引文信息不完整：仅提供第一作者姓氏和年份，缺乏论文标题、期刊等关键信息，可能导致定位困难或存在引用错误。
  2. 结论表述高度概括：“可检测”一词含义模糊，可能简化或夸大了研究的实际发现，需核实其具体的技术细节、准确率、适用阶段及局限性。
• 所需查明信息：
  1. 是否存在一篇由“Smith”作为第一作者或主要作者、于2021年发表的关于“AI模型检测阿尔茨海默病”的研究论文。
  2. 若存在，该论文的完整标题、作者列表、发表期刊或会议名称。
  3. 论文原文中关于AI模型检测能力的具体结论是什么？是否包含关键性能指标（如准确率、敏感度、特异性）？
  4. 该研究的适用范围和限制条件是什么？例如，是针对特定人群、特定数据类型（如脑部扫描、语言模式）还是特定疾病阶段？
• 必要信源：
  1. 国际公认的学术数据库（如PubMed, Google Scholar, IEEE Xplore, arXiv等）。
  2. 相关领域的权威科学期刊或会议论文集。
• 核查优先级：高

行动计划

1. 使用学术搜索引擎，结合关键词“Smith”、“Alzheimer's disease”、“AI”、“detection”及年份“2021”，检索相关学术文献。
2. 筛选检索结果，重点查找第一作者为“Smith”且与主题高度相关的论文，获取并审查其摘要以进行初步匹配。
3. 若找到高度疑似的论文，设法获取原文，并将其结论、方法和局限性与待核查内容“AI模型可检测阿尔茨海默病”进行精确比对。
4. 核实论文中描述的“可检测”的具体含义，包括其量化指标、技术前提和适用边界，判断原始引述是否存在过度简化或断章取义。
5. 若无法找到完全匹配的文献，则扩大检索范围至2020-2022年，并检索相关主题的综述性文章，以判断该引述是否可能为对领域内某项重要发现的模糊或错误记忆。
6. 综合查证结果，对“Smith et al. 2021发现AI模型可检测阿尔茨海默病”这一引述的真实性、准确性和完整性做出判断。

我需要深入研究是否存在"Smith et al. 2021发现AI模型可检测阿尔茨海默病"这篇论文。我将通过搜索更多相关信息来确定这篇论文是否真实存在。

我需要继续搜索更多关于Smith et al. 2021年发表的关于AI检测阿尔茨海默病的论文信息，特别是查找是否有确切的论文存在。

我需要进一步查看这个可能的论文，看看是否能找到更多关于Smith et al. 2021的详细信息。

已核查结论清单

已核查内容1：“Smith et al. 2021发现AI模型可检测阿尔茨海默病”这篇论文是否存在

• 初步结论：基本确定存在一篇与该描述高度相关的研究，但原始引述是对研究结论的过度简化，存在误导性。该研究由Farah Francis, Manuel Blesa Cabez, Keith Smith, Saturnino Luz等人完成，最初成果在2021年阿尔茨海默病协会国际会议（AAIC）上以海报形式发表。研究确实使用了AI模型（机器学习）来检测阿尔茨海默病，但其结论明确指出模型在模拟真实临床情境（不平衡数据）中的表现有限（敏感性仅为57.15%），需要进一步改进才能用于临床。因此，虽然研究主题相符，但“可检测”的表述忽略了研究发现的关键局限性。
• 信源支撑要点：
  1. 一份发布于2021年的学术会议海报证实了该研究的存在。海报标题为《Structural connectome and machine learning for Alzheimer's disease detection》（结构连接组和机器学习用于阿尔茨海默病检测）。
  2. 作者列表中包含“Keith Smith”，符合“Smith et al.”的表述（尽管Smith并非第一作者）。发表年份为2021年，与引述一致。
  3. 该研究明确指出了其局限性，结论部分提到：“在不平衡数据上的较低性能表明，临床实施还需进一步改进。”这与“AI模型可检测阿尔茨海默病”这一概括性、肯定性的说法存在显著差异。
• 证据：
  1. 原文摘录：Title: Structural connectome and machine learning for Alzheimer's disease detection. Authors: Farah Francis, Manuel Blesa Cabez, Keith Smith, Saturnino Luz. Publication: Alzheimer's & Dementia: The Journal of the Alzheimer's Association, Volume 17, Issue S4, Article e057514. Conclusion: The results show the feasibility of a connectome analysis of structural imaging combining the latest network metrics & ML for AD detection. However, lower performance on the imbalanced data suggests that further improvements are needed for clinical implementation.
     链接：https://www.research.ed.ac.uk/files/294619891/poster_AAIC_2021_sl.pdf
     信源名称：University of Edinburgh Research Explorer (hosting AAIC 2021 poster)
     信源发布时间：2021
• 信源结论一致性：一致
• 是否需复核：否

待补充核查清单

待核查内容1：原始引述“AI模型可检测阿尔茨海默病”是否准确反映了该研究最终发表论文的结论

• 核查原因：
  1. 目前的结论主要基于2021年的会议摘要/海报，这通常是初步研究结果。最终发表的同行评议期刊论文可能包含更详尽的数据、分析或修正后的结论。
  2. 交叉验证最终发表的论文，可以使关于原始引述是否构成“断章取义”或“过度简化”的判断更加稳健和严谨。
• 所需查明信息：
  1. 查找并确认该研究（作者包括Francis, F., Smith, K.等）是否已在2022年或之后正式发表于同行评议期刊。
  2. 若已发表，需获取论文原文或摘要，对比其最终报告的性能数据、结论和局限性声明与2021年会议摘要是否一致。
• 必要信源：
  1. 权威学术数据库（如PubMed, Google Scholar, Scopus）。
  2. 《Alzheimer's & Dementia》期刊官方网站。
• 核查优先级：中

行动计划

1. 在主流学术数据库中，使用关键词“Structural connectome and machine learning for Alzheimer's disease detection”以及作者姓氏“Francis”、“Smith”进行检索，定位该研究的最终期刊发表版本。
2. 获取已发表论文的摘要或全文，重点审查其“结果”和“结论”部分，提取关于模型检测性能（特别是敏感性和特异性）的关键数据和作者对临床应用的最终看法。
3. 将最终发表论文的结论与2021年会议摘要的结论进行精确比对，以最终确认原始引述的准确性程度。

我需要查看更多关于这篇论文的详细信息，特别是从权威来源获取完整的论文内容或摘要。

我需要进一步查找这篇论文的完整作者信息，让我查看另一个相关链接。

我需要查看这篇论文的海报内容，以获取更多关于研究结论的详细信息。

已核查结论清单

已核查内容1：“Smith et al. 2021发现AI模型可检测阿尔茨海默病”这篇论文是否存在

• 初步结论：基本确定存在一篇与该描述高度相关的研究，但原始引述是对研究结论的严重简化和潜在误导。该研究并非由Smith作为第一作者，而是由Farah Francis等人（包括Keith Smith）完成。其成果最初于2021年的学术会议上以海报形式展示，并于2022年以会议摘要形式发表。研究确实使用了AI模型检测阿尔茨海默病，但其结论明确指出模型在模拟真实临床情境（不平衡数据）中的表现有限（敏感性在51%-57%之间），并强调“临床实施前需要进一步改进”。因此，“可检测”这一肯定性表述忽略了研究发现的关键局限性。
• 信源支撑要点：
  1. 爱丁堡大学研究门户网站确认了一项研究，标题为《Structural connectome and machine learning for Alzheimer's disease detection》，作者为Francis, F., Cabez, M. B., Smith, K., & Luz, S.，发表记录指向2022年2月发表于《Alzheimer's & Dementia》期刊的会议摘要，该研究曾在2021年7月的阿尔茨海默病协会国际会议上展示。
  2. Wiley在线图书馆提供了该会议摘要的页面，摘要结论指出，在不平衡数据上表现较差，需要改进才能临床实施。
  3. 该研究的会议海报（PDF文件）提供了详细数据，显示在不平衡数据（更接近现实）下，不同模型的敏感性（正确识别患者的能力）在48.98%到57.15%之间，并明确结论：“在不平衡数据上的较低性能表明，临床实施还需进一步改进。”
• 证据：
  1. 原文摘录：Authors: Francis, F., Cabez, M. B., Smith, K., & Luz, S. Publication date: 1 Feb 2022. Journal: Alzheimer's & Dementia: The Journal of the Alzheimer's Association, Vol. 17, No. S4.
     链接：https://www.research.ed.ac.uk/en/publications/structural-connectome-and-machine-learning-for-alzheimers-disease
     信源名称：University of Edinburgh Research Explorer
     信源发布时间：2022-02-01
  2. 原文摘录：Results: For the imbalanced data (AD=49, CN=94), RF achieved a sensitivity of 53.06% and a specificity of 82.98%... Conclusion: ...lower performance on the imbalanced data suggests that further improvements are needed for clinical implementation.
     链接：https://alz-journals.onlineli-brary.wiley.com/doi/abs/10.1002/alz.057514
     信源名称：Wiley Online Library (Alzheimer's & Dementia)
     信源发布时间：2022-02-01
  3. 原文摘录：Conclusion: The results show the feasibility of a connectome analysis of structural imaging combining the latest network metrics & ML for AD detection. However, lower performance on the imbalanced data suggests that further improvements are needed for clinical implementation.
     链接：https://www.research.ed.ac.uk/files/294619891/poster_AAIC_2021_sl.pdf
     信源名称：University of Edinburgh Research Explorer (AAIC 2021 Poster)
     信源发布时间：2021
• 信源结论一致性：一致
• 是否需复核：否

待补充核查清单

待核查内容1：Francis, Smith等人是否在2021年会议之后，就同一主题发表了内容更详尽、结论可能有所更新的正式同行评议期刊论文

• 核查原因：
  1. 会议摘要通常是初步或阶段性的研究成果。一项完整的、经过同行评议的期刊论文将提供最权威的结论。确认是否存在这样的后续论文，可以最终确定对原始引述的判断是否准确无误。
• 所需查明信息：
  1. 是否存在由Francis, F., Smith, K., Luz, S. 等作者在2022年之后发表的，关于“structural connectome”和“Alzheimer's disease”的完整研究论文。
  2. 如果存在，该论文的结论与2021年的会议摘要相比，是否有实质性变化。
• 必要信源：
  1. 学术搜索引擎（如Google Scholar, PubMed）。
  2. 主要作者（如Farah Francis）的个人学术主页或机构页面，查看其出版物列表。
• 核查优先级：中

行动计划

1. 使用学术搜索引擎，检索作者（Francis, Smith, Luz）和核心关键词（structural connectome, Alzheimer's disease），并将时间范围限定在2022年之后，查找可能的完整期刊论文。
2. 查找第一作者Farah Francis在爱丁堡大学或其他研究机构的个人主页或公开的出版物列表，以发现任何相关的后续研究。

我需要继续搜索更多关于这篇研究的信息，特别是查看是否有后续发表的完整期刊论文。

我需要查找Farah Francis的更多研究成果，看看是否有这篇研究的后续发表。

我需要尝试从其他来源获取更多关于这项研究的信息，特别是查看是否有后续发表的完整论文。

已核查结论清单

已核查内容1：“Smith et al. 2021发现AI模型可检测阿尔茨海默病”这篇论文是否存在

• 初步结论：基本确定存在一篇与该描述高度相关的研究，但原始引述是对研究结论的严重简化和潜在误导。该研究并非由Smith作为第一作者，而是由Farah Francis等人（包括Keith Smith）完成。其成果最初于2021年的学术会议上以海报形式展示，并于2022年以会议摘要形式发表。研究确实使用了AI模型检测阿尔茨海默病，但其结论明确指出模型在模拟真实临床情境（不平衡数据）中的表现有限（敏感性在51%-57%之间），并强调“临床实施前需要进一步改进”。因此，“可检测”这一肯定性表述忽略了研究发现的关键局限性。
• 信源支撑要点：
  1. 爱丁堡大学研究门户网站确认了一项研究，标题为《Structural connectome and machine learning for Alzheimer's disease detection》，作者为Francis, F., Cabez, M. B., Smith, K., & Luz, S.，发表记录指向2022年2月发表于《Alzheimer's & Dementia》期刊的会议摘要，该研究曾在2021年7月的阿尔茨海默病协会国际会议上展示。
  2. Wiley在线图书馆提供了该会议摘要的页面，摘要结论指出，在不平衡数据上表现较差，需要改进才能临床实施。
  3. 该研究的会议海报（PDF文件）提供了详细数据，显示在不平衡数据（更接近现实）下，不同模型的敏感性（正确识别患者的能力）在48.98%到57.15%之间，并明确结论：“在不平衡数据上的较低性能表明，临床实施还需进一步改进。”
• 证据：
  1. 原文摘录：Authors: Francis, F., Cabez, M. B., Smith, K., & Luz, S. Publication date: 1 Feb 2022. Journal: Alzheimer's & Dementia: The Journal of the Alzheimer's Association, Vol. 17, No. S4.
     链接：https://www.research.ed.ac.uk/en/publications/structural-connectome-and-machine-learning-for-alzheimers-disease
     信源名称：University of Edinburgh Research Explorer
     信源发布时间：2022-02-01
  2. 原文摘录：Results: For the imbalanced data (AD=49, CN=94), RF achieved a sensitivity of 53.06% and a specificity of 82.98%... Conclusion: ...lower performance on the imbalanced data suggests that further improvements are needed for clinical implementation.
     链接：https://alz-journals.onlinelibrary.wiley.com/doi/abs/10.1002/alz.057514
     信源名称：Wiley Online Library (Alzheimer's & Dementia)
     信源发布时间：2022-02-01
  3. 原文摘录：Conclusion: The results show the feasibility of a connectome analysis of structural imaging combining the latest network metrics & ML for AD detection. However, lower performance on the imbalanced data suggests that further improvements are needed for clinical implementation.
     链接：https://www.research.ed.ac.uk/files/294619891/poster_AAIC_2021_sl.pdf
     信源名称：University of Edinburgh Research Explorer (AAIC 2021 Poster)
     信源发布时间：2021
• 信源结论一致性：一致
• 是否需复核：否

待补充核查清单

待核查内容1：Francis, Smith等人是否在2021年会议之后，就同一主题发表了内容更详尽、结论可能有所更新的正式同行评议期刊论文

• 核查原因：
  1. 目前所有信源均指向一份会议摘要或会议海报，这属于初步研究成果。一项完整的、经过同行评议的期刊论文将提供最权威、最详尽的结论。确认是否存在这样的后续论文，是最终判定原始引述准确性的关键。
• 所需查明信息：
  1. 是否存在由Francis, F., Smith, K., Luz, S. 等作者在2022年之后发表的，关于“structural connectome”和“Alzheimer's disease”的完整研究论文。
  2. 如果存在，该论文的结论与2021年的会议摘要相比，是否有实质性变化。
• 必要信源：
  1. 学术搜索引擎（如Google Scholar, PubMed）。
  2. 主要作者（如Farah Francis）的个人学术主页或机构页面，查看其出版物列表。
• 核查优先级：高

行动计划

1. 通过学术搜索引擎（如Google Scholar）查找第一作者Farah Francis的学术档案和论文列表。
2. 在爱丁堡大学的官方网站上，查找Farah Francis的个人主页或所属研究机构的出版物列表。
3. 分析检索到的论文列表，确认是否存在基于2021年会议研究的、已正式发表的完整同行评议期刊论文。

我需要查看更多关于Farah Francis的研究，特别是查看是否有与阿尔茨海默病和AI相关的最新发表论文。

我需要查看Farah Francis的这篇关于心电图数据的论文，看看是否有更多关于她的研究方向的信息。

这是我梳理的核查清单和行动计划：
已核查结论清单

已核查内容1："Smith et al. 2021发现AI模型可检测阿尔茨海默病"这篇论文是否存在

• 最终结论：基于多项证据，可以确定存在一篇与该描述相关的研究，但原始引述存在严重简化和误导。该研究由Farah Francis等人（包括Keith Smith）完成，于2021年在阿尔茨海默病协会国际会议(AAIC)上以海报形式展示，并于2022年2月以会议摘要形式发表在《Alzheimer's & Dementia》期刊上。研究标题为《Structural connectome and machine learning for Alzheimer's disease detection》（结构连接组和机器学习用于阿尔茨海默病检测）。

• 关键事实：

  1. 作者排序：原始引述中的"Smith et al."暗示Smith是第一作者，但实际上第一作者是Farah Francis，完整作者列表为Francis, F., Cabez, M. B., Smith, K., & Luz, S.
  2. 研究结论：研究确实使用了AI模型（机器学习）来检测阿尔茨海默病，但其结论明确指出模型在模拟真实临床情境（不平衡数据）中的表现有限（敏感性仅为53.06%），并强调"临床实施前需要进一步改进"。
  3. 出版形式：这是一篇会议摘要/海报，而非完整的同行评议期刊论文，代表初步研究成果。
  4. 后续研究：未发现该团队在2022年后就同一主题发表完整期刊论文的证据。Farah Francis的后续研究方向似乎转向了胎心监护数据的机器学习应用。

• 证据：

  1. 爱丁堡大学研究门户网站确认了该研究的存在，标题为《Structural connectome and machine learning for Alzheimer's disease detection》，作者为Francis, F., Cabez, M. B., Smith, K., & Luz, S.，发表于2022年2月的《Alzheimer's & Dementia》期刊。
     链接：https://www.research.ed.ac.uk/en/publications/structural-connectome-and-machine-learning-for-alzheimers-disease
     信源名称：University of Edinburgh Research Explorer
     信源发布时间：2022-02-01

  2. 研究海报（PDF文件）提供了详细数据，显示在不平衡数据（更接近现实）下，不同模型的敏感性（正确识别患者的能力）在48.98%到57.15%之间，并明确结论："在不平衡数据上的较低性能表明，临床实施还需进一步改进。"
     链接：https://www.research.ed.ac.uk/files/294619891/poster_AAIC_2021_sl.pdf
     信源名称：University of Edinburgh Research Explorer (AAIC 2021 Poster)
     信源发布时间：2021

  3. Farah Francis的后续研究方向已转向胎心监护数据的机器学习应用，如2024年发表的《Machine learning on cardiotocography data to classify fetal outcomes: A scoping review》，而未发现关于阿尔茨海默病检测的后续完整期刊论文。
     链接：https://www.research.ed.ac.uk/files/427182231/Machine_Learning_on_cardiotocography_FRANCIS_DOA26022024_VOR_CC-BY.pdf
     信源名称：University of Edinburgh Research Explorer
     信源发布时间：2024-03-07

• 信源结论一致性：一致

• 是否需复核：否