XiaoMi-AI文件搜索系统
World File Search System颅内
从头部CT扫描中对颅内出血的自动检测，在创伤性脑损伤中应用深度学习技术：比较审查
抽象的脑损伤（TBI）不仅是急性疾病，而且是长期后果的慢性疾病。颅内血肿被认为是INTBI发生的主要后果，并可能具有毁灭性的作用，可能会导致大脑质量影响，并最终导致继发性脑损伤。在计算机断层扫描（CT）扫描中对血肿的紧急检测以及三个主要决定因素的评估，即位置，体积和大小至关重要任务。本文对医学和技术文献进行了比较回顾，以更新和建立证据，以表明如何正确利用技术来提高紧急情况下临床工作流量的效率。从2013年至2023年在PubMed和Google Scholar的电子数据库中进行了系统和全面的文献搜索，以确定与颅内出血（ICH）自动检测有关的研究。纳入和排除标准被设定为最相关的文章。我们确定了15项有关使用头部CTSCAN的计算机辅助筛选和分析算法的开发和验证的研究。我们的审查表明，AI算法可以优先考虑放射学工作列表，以减少在头部扫描中筛选ICH的时间，并且还可以识别放射学家所忽略的微妙ICH，并且自动化ICH检测工具将有望在常规临床实践中引入介绍。
外伤性脑损伤颅内压脉动波形分析...
缩写 AIS = 简明损伤量表；AMP = ICP 脉冲幅度；AU = 任意单位；AUC = 曲线下面积；CENTER-TBI = 欧洲创伤性脑损伤神经创伤效果合作研究；CT = 计算机断层扫描；FFT = 快速傅里叶变换；GCS = 格拉斯哥昏迷量表；GOSE = 格拉斯哥扩展预后量表；HFC = 高频质心；HHC = 高次谐波质心；ICP = 颅内压；ICU = 重症监护病房；IQR = 四分位距；ISS = 损伤严重程度评分；MANOVA = 多元方差分析；MLS = 中线移位；PRx = 压力反应指数；PSI = 脉搏形状指数；ResNet = 残差神经网络；ROC = 受试者工作特征；TBI = 创伤性脑损伤。提交于 2022 年 6 月 27 日。接受于 2022 年 10 月 28 日。引用时请注明 2022 年 12 月 23 日在线发布；DOI：10.3171/2022.10.JNS221523。
颅内脑电图和深度神经网络揭示面部身份和表情表征的共同基础
根据面部感知的经典观点（ Bruce and Young, 1986 ; Haxby et al., 2000 ），面部身份和面部表情识别由不同的神经基质（分别为腹侧和外侧颞叶面部选择区域）执行。然而，最近的研究挑战了这一观点，表明表达效价也可以从腹侧区域解码（ Skerry and Saxe, 2014 ; Li et al., 2019 ），身份也可以从外侧区域解码（ Anzellotti and Caramazza, 2017 ）。如果专门负责一项任务（身份或表情）的区域包含另一项任务的少量信息（从而实现高于机会的解码），则这些发现可以与经典观点相一致。在这种情况下，我们预计侧面区域的表征与经过训练以识别面部表情的深度卷积神经网络 (DCNN) 中的表征更相似，而不是经过训练以识别面部身份的 DCNN 中的表征（对于腹侧区域，情况应该相反）。我们通过分析对不同身份和表情的面部的神经反应来检验这一假设。将从人类颅内记录（n = 11 名成年人；7 名女性）计算得出的表征相异矩阵 (RDM) 与经过训练以标记身份或表情的 DCNN 的 RDM 进行了比较。我们发现，在所有测试区域中，经过训练以识别身份的 DCNN 的 RDM 与颅内记录的相关性更强——即使在传统上假设专门用于表情的区域也是如此。这些结果偏离了传统观点，表明面部选择性腹侧和侧面区域有助于身份和表情的表征。
自发颅内低血压诊断和管理的多学科共识指南
抽象背景我们旨在创建一个多学科共识临床指南，以根据当前的证据和来自多学科专家组（SIG）的多学科诊断和共识，在脑脊液内部诊断，研究和管理自发性内部低血压（SIH）（SIH）中的最佳实践指南（SIH）。方法建立了一个由29名成员组成的SIG，具有神经病学，神经放射学，麻醉剂，神经外科手术和患者代表的成员。SIG共识同意该指南的范围和目的。SIG随后使用修改后的Delphi过程为一系列问题主题开发了指南声明。该过程得到了系统文献综述，对患者和医疗保健专业人员的调查以及SIH的几位国际专家的审查。结果SIH及其差异诊断应在任何出现直立衡量头痛的患者中考虑。一线成像应为对比度和整个脊柱的大脑MRI。一线治疗是非靶向硬膜外血斑（EBP），应尽早进行。我们根据脊柱MRI结果和对EBP的反应提供了进行骨髓学的标准，我们概述了治疗原则。还提供了保守管理的建议，头痛的症状治疗以及SIH并发症的管理。结论该多学科共识临床指南有可能提高医疗保健专业人员中对SIH的认识，在护理方面产生更大的一致性，提高诊断准确性，促进有效的研究和治疗，并减少归因于SIH的残疾。
颅内脑电图和深度神经网络揭示面部身份和表情表征的共同基础
1 波士顿学院心理学系，美国马萨诸塞州波士顿 02467 16 2 卡内基梅隆大学和匹兹堡大学认知神经基础中心，宾夕法尼亚州匹兹堡 15213 18 3 卡内基梅隆大学神经科学研究所，宾夕法尼亚州匹兹堡 15213 19 4 卡内基梅隆大学机器学习系，宾夕法尼亚州匹兹堡 20 15213 21 5 匹兹堡大学医学中心神经外科系，宾夕法尼亚州匹兹堡 22 15213 23 6 麻省总医院神经外科系，马萨诸塞州波士顿 24 02144 25 7 哈佛医学院，马萨诸塞州波士顿 02115 26 8 匹兹堡大学神经科学中心，宾夕法尼亚州匹兹堡15213 27 ∗ 通讯作者 28 电子邮件：stefano.anzellotti@bc.edu (SA) 29 30 31 页数：35 32 图表数量：5 33 表格数量：1 34 多媒体数量：0 35 3D 模型数量：0 36 摘要字数：242 37 意义陈述字数：120 38 介绍字数：779 39 讨论字数：2093 40 利益冲突：作者报告没有利益冲突。 41 致谢：本研究得到了美国国家科学基金会职业资助 1943862（SA）、美国国立卫生研究院 R01MH107797 和 R21EY030297（AG）以及美国国家科学基金会 1734907（AG）的职业资助。我们要感谢参与 iEEG 实验的患者以及 UPMC 长老会癫痫监测部门的工作人员和管理人员对我们研究的协助和合作。我们感谢 Michael Ward 对数据收集的帮助。49
氯胺酮对严重创伤性脑损伤儿童颅内压的急性影响*
患有STBI的孩子。最近的一项单中心研究使用了连续生理变量的数据库来评估多种ICP靶向药物。这项研究发现，高渗盐水与更快的ICP降低和改善的脑灌注压力（CPP）相比，与其他药物相比（5）。使用高频数据的未来研究可能会改善临床实践。氯胺酮是一种通常用作重症监护的N-甲基-D-天冬氨酸抗古生物（6）。氯胺酮增加心输出量和血压，使其成为血液动力学不稳定患者的吸引人选择（7-10）。传统上，氯胺酮在颅内过度张力的风险中避免了氯胺酮，在TBI中限制了实用性。早期临床研究观察到氯胺酮施工后的ICP增加（11-13）。由于没有批判通风，因此这些较旧的研究对当前实践的适用性可能会受到CO 2的CE-外血管效应的混淆而受到限制（14，15）。不足会增加脑血容量，并可能增加ICP；因此，在STBI中建议对正常动脉CO 2水平进行通风（3）。最近的研究不支持氯胺酮提高ICP的观念。对七个艺术品的系统评价描述了对101名成年人和55名患有STBI儿童的治疗，发现ICP随后的氯胺酮剂量总体降低（16）。在儿童中，ICP减少
tranexamic酸对脑损伤患者颅内出血和梗塞的影响：crash-3试验患者样本中的预先计划的质量
©2022 Wiley-VCH GMBH。这是以下文章的同行评审版本：Bhatti，M。R. A.，Kernin，A.，Tausif，M.，Zhang，H.，Papageorgiou，D.，Bilotti，E.，Peijs，E.，Peijs，T.，Bastiaansen，C。W. M.adv。光学母校。2022，10，2102186，该形式以https://doi.org/10.1002/adom.202102186出版。本文可以根据Wiley使用自算版版本的条款和条件来将其用于非商业目的。未经Wiley的明确许可或根据适用立法的法定权利的明确许可，本文可能不会增强，丰富或以其他方式转化为衍生作品。版权声明不得删除，遮盖或修改。该文章必须链接到Wiley在Wiley在线图书馆上的记录版本，并且必须禁止第三方通过平台，服务和网站提供任何嵌入，框架或以其他方式提供其文章或页面。
从颅内脑电图解码言语产生过程中的发音轨迹
简介：语音脑机接口 (BCI) 是一种可以帮助神经系统障碍患者恢复交流能力的技术，旨在从脑信号合成语音。大多数研究都集中于直接解码文本或语音片段，如音素或单词。然而，目前尚不清楚语音生成过程是否在神经记录中以这种形式呈现。一种有趣的方法是模拟声道的行为，该行为已从多个大脑区域成功解码。声道由称为发声器官的不同生理结构组成（即下颌、软腭和嘴唇）。所有发声器官的位置和运动的组合决定了语音生成过程中听到的声音。最近的进展使得从这些发声器官的时间轨迹重建语音成为可能，使它们成为构建语音 BCI 的良好候选者。本研究将探讨从微创脑电图解码发声轨迹的可能性。材料与方法：通过这项工作，我们将系统地评估从神经信号中解码发声轨迹，从而评估构建以发声轨迹为中间表示的语音 BCI 的可行性。我们计划使用 Verwoert 等人 [2] 提出的 SingleWordProductionDutch (SWPD) 数据集，其中 10 位参与者读出单个单词，同时测量立体定向脑电图 (sEEG) 和音频数据。结果：我们使用 Gao 等人 [1] 提出的模型从音频中提取发声轨迹。从 sEEG 记录中提取高伽马功率，其中包含有关语音过程的高度本地化信息。图 1 显示了 SWPD 数据集中植入其中一名受试者的 sEEG 电极的位置，以及来自一次记录的发声轨迹。我们训练一个线性回归模型，直接从神经数据预测发音轨迹，并通过与实际轨迹的相关性来评估重建。
使用猪实验模型中的定量脑电图预测创伤性脑损伤的颅内压升高
摘要：在创伤性脑损伤 (TBI) 中，连续无创地测量颅内压 (ICP) 对于识别升高的 ICP (IICP) 非常重要，这可以减少治疗延误。本研究的目的是开发一种基于脑电图 (EEG) 的猪 TBI 模型中的 IICP 预测模型。30 头猪被麻醉，并通过在颅内充气 Foley 导管进行 IICP。每 6 分钟以 10 mmHg 的增量收集一次 ICP 的单通道 EEG 数据，从基线到 50 mmHg。我们开发了基于 EEG 的模型来预测 IICP（等于或超过 25 mmHg），使用四种算法：逻辑回归 (LR)、朴素贝叶斯 (NB)、支持向量机 (SVM) 和随机森林 (RF)。我们根据准确性、灵敏度、特异性和 AUC 值评估了每个模型的性能。各预测模型对IICP的准确率分别为SVM 0.773、NB 0.749、RF 0.746和LR 0.706。各模型的AUC分别为SVM 0.860、NB 0.824、RF 0.802和LR 0.748。我们在猪TBI实验模型中使用单通道EEG信号建立了IICP的机器学习预测模型。SVM模型表现出良好的预测能力，AUC值最高。