XiaoMi-AI文件搜索系统
World File Search System颞叶
癫痫患者颞叶内侧刺激诱发颅内脑电图反应的预测模型
尽管十多年来取得了令人鼓舞的成果，但用于治疗药物难治性癫痫 (DRE) 的闭环神经刺激仍然依赖于手动参数调整，并且会产生不可预测的变化结果，而全自动算法仍然只是理论上的可能性。在这项工作中，我们研究了在参数丰富的神经刺激下人类颅内脑电图 (iEEG) 反应的预测动力学模型，并开发了预测准确且生物学上可解释的模型。使用来自 n = 13 名受试者的数据，我们表明，诱发的 iEEG 动态最好通过具有约 300 毫秒的因果历史依赖性的刺激触发切换线性模型来解释。这些模型在刺激幅度和频率（包括 STIM OFF 持续时间）方面高度一致，这使得可以从丰富的 STIM OFF 和有限的 STIM ON 数据中学习单个可推广的模型。在受试者中，我们观察到一致的距离依赖模式，即刺激直接影响驱动点和附近区域（≲ 20 毫米），几乎没有或根本没有网络介导，通过网络交互间接到达中距离区域（20 ∼ 100 毫米），几乎无法到达更远端区域（≳ 100 毫米）。网络交互的峰值参与发生在距离刺激点约 60-80 毫米处。由于其预测准确性和机制可解释性，这些模型在基于模型的癫痫发作预测和闭环神经刺激的刺激设计中具有深远的应用。
额颞叶变性的表观遗传年龄加速度：血液和脑的全面分析
摘要：额颞叶变性（FTLD）包括通过额叶和颞叶变性的病理学来表征的异质疾病。除了FTLD的主要遗传贡献者（例如MAPT，GRN和C9orf72中的突变）外，最近的工作还鉴定了几种表观遗传学修改，包括DLX1中的显着差异DNA甲基化，以及OTUD4的位置。由于衰老仍然是FTLD的主要危险因素之一，因此我们研究了与对照组相比，FTLD中FTLD加速的表观遗传衰老的存在。We calculated epigenetic age in both peripheral blood and brain tissues of multiple FTLD subtypes using several DNA methylation clocks, i.e., DNAmClock Multi , DNAmClock Hannum , DNAmClock Cortical , GrimAge, and PhenoAge, and determined age acceleration and its association with different cellular proportions and clinical traits.在额颞痴呆（FTD）的外周血中观察到了显着的表观遗传年龄加速，即使在核算混杂因素后，与Dnamclock hannum的对照组相比，与患有Dnamclock Hannum的对照组相比，与Dnamclock Hannum的对照组相比，观察到了进行性上的核次核（FTD）和进行性表观遗传年龄的加速。在PSP患者的验尸后皮层组织中，dnamclock多和dnamclock皮质都观察到了类似的趋势，并且在具有GRN突变的FTLD病例中。我们的发现支持，增加外周血中表观遗传年龄加速度的加速可能是PSP的指标，并且在较小程度上是FTD。
基于 MRI 的阿尔茨海默病和额颞叶痴呆的深度分级鉴别诊断
阿尔茨海默病和额颞叶痴呆是神经退行性痴呆的常见形式。这两种疾病的临床病程中都存在行为改变和认知障碍，它们的鉴别诊断有时会给医生带来挑战。因此，专门用于这一诊断挑战的精确工具在临床实践中很有价值。然而，目前的结构成像方法主要侧重于每种疾病的检测，而很少侧重于它们的鉴别诊断。在本文中，我们提出了一种基于深度学习的疾病检测和鉴别诊断方法。我们建议在此应用中使用两种类型的生物标志物：结构分级和结构萎缩。首先，我们建议训练大量 3D U-Nets，以使用结构 MRI 作为输入，在本地确定健康人、阿尔茨海默病患者和额颞叶痴呆患者的解剖模式。该集合的输出是 2 通道疾病坐标图，可以将其转换为临床医生易于解释的 3D 分级图。该双通道疾病坐标图与多层感知器分类器相结合，用于不同的分类任务。其次，我们建议将我们的深度学习框架与基于体积的传统机器学习策略相结合，以提高模型的判别能力和稳健性。经过交叉验证和外部验证，我们基于 3319 个 MRI 的实验表明，与最先进的疾病检测和鉴别诊断方法相比，我们的方法产生了具有竞争力的结果。
使用深度学习检测颅内电极上的内侧颞叶癫痫样放电
目的：开发一种高性能算法来检测颅内电极记录中的内侧颞叶 (mTL) 癫痫样放电。方法：一位癫痫病专家从 46 名癫痫患者的颅内脑电图记录数据集中注释了 13,959 次癫痫样放电。利用该数据集，我们训练了一个卷积神经网络 (CNN) 来识别来自单个颅内双极通道的 mTL 癫痫样放电。对来自多个双极通道输入的 CNN 输出取平均值以生成最终的检测器输出。使用嵌套 5 倍交叉验证来评估算法性能。结果：在受试者工作特征曲线上，我们的算法实现了 0.996 的曲线下面积 (AUC) 和 0.981 的部分 AUC（特异性 > 0.9）。精确召回曲线上的 AUC 为 0.807。在假阳性率为每分钟 1 次的情况下，灵敏度达到 84%。35.9% 的假阳性检测对应于专家注释期间遗漏的癫痫样放电。结论：利用深度学习，我们开发了一种高性能、患者非特异性算法，用于检测颅内电极上的 mTL 癫痫样放电。意义：我们的算法有许多潜在应用，可用于了解 mTL 癫痫样放电对癫痫和认知的影响，以及开发专门减少 mTL 癫痫样活动的治疗方法。2019 年国际临床神经生理学联合会。由 Elsevier BV 出版，保留所有权利。
由 FUS 的种子聚集和扩散引起的额颞叶痴呆样疾病进展
© 作者 2024。开放存取本文根据知识共享署名 4.0 国际许可进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否做了更改。本文中的图片或其他第三方资料包含在文章的知识共享许可中，除非资料的致谢中另有说明。如果资料未包含在文章的知识共享许可中，且您的预期用途不被法定规定允许或超出允许用途，则需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。知识共享公共领域贡献豁免（http://creativecom‑mons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
beta功率的GABA能调节增强了额颞叶变性的运动适应
注意：对于临床，认知和行为测试，括号中显示了最佳分数。贝叶斯方差分析用于检查群体差异，其中有证据表明组之间有差异（> 3）事后结果显示BVFTD与PSP。贝叶斯因素的常规阈值代表了有利于假设的证据（> 3），强（> 10）和非常强的（> 30）。bf <1被认为是无效假设的证据。缩写：ACE-R，修订了Addenbrooke的认知检查； BVFTD，行为变化的额颞痴呆； CBI-R，修订后的剑桥行为清单； F，女；晶圆厂，额叶评估电池； M，男性； MMSE，小型国会考试； PSP，进行性核上麻痹； TGB，甲状腺素结合球蛋白； WM，工作记忆。
颞叶癫痫中的神经元雪崩作为诊断工具：对内在静止状态动力学的无创研究
1索邦大学，脑研究所 - 巴黎脑研究所-ICM，CNR，Inria，Inserm，inserm，ap-hp，delapitiéSalpêtrière医院，F-75013，法国巴黎2，法国2应用科学和智能系统，国家研究委员会，POZZUOLI，ITALY 3 INTALITE SYSTERSILIL法国马赛4萨萨里大学，生物医学科学系，Viale San Pietro，07100，意大利萨萨里5号IRCCS E. Medea科学研究所，癫痫病单元，通过Costa Alta 37，31015，ITALY 37，31015，意大利Conegliano
人类声道的顶叶-颞叶感觉-运动整合区域：来自熟练音乐家的 fMRI 研究的证据
顶叶皮层中已发现几个感觉运动整合区域，这些区域似乎围绕运动效应器（例如眼睛、手）组织。我们研究了人类声道是否存在感觉运动整合区域。说话需要大量的感觉运动整合，其他能力（如发声音乐技能）也需要。最近的研究发现，颞顶叶后上部区域 Spt 区既具有感觉（听觉）又具有运动反应特性（针对语音和音调刺激）。熟练的钢琴家在听新旋律时，要么偷偷地哼唱旋律（声道效应器），要么偷偷地在钢琴上弹奏旋律（手动效应器），这时用 fMRI 测量了他们的大脑活动。与偷偷地哼唱相比，偷偷地弹奏条件下 Spt 区域的活动明显更高。前 IPS（aIPS）中的一个区域显示出相反的模式，表明它参与了感觉手动转换。这一发现表明，Spt 区是声道手势的感觉运动整合区域。© 2007 Elsevier Ltd. 保留所有权利。
tauvid-uspi.pdf
读取的目的是识别和定位大脑皮层中 flortaucipir 活动大于背景活动的区域（背景活动定义为高达测量的小脑平均值的 1.65 倍）。为获得最佳显示效果，请选择在两种不同颜色之间快速转换的色标，并调整比例以使转换发生在 1.65 倍阈值处。检查双侧后外侧颞叶 (PLT)、枕叶、顶叶和额叶区域。任一半球的大脑皮层活动有助于图像解释。白质或大脑外区域的活动无助于图像解释。为了帮助识别 PLT，请考虑按照以下说明将颞叶细分为四个象限。前颞叶和内侧颞叶的活动无助于阳性 TAUVID 模式的图像解释。