XiaoMi-AI文件搜索系统
World File Search SystemMCI
纳米级流式细胞仪基于血液的定量 -
与对照组相比，在阿尔茨海默氏病等离子体样本中标记更多EV的单个标记。荧光标记针对所指定蛋白的抗体与来自对照，MCI或阿尔茨海默氏病的个体（分为轻度，中度和严重类别）的对照组，患者的血浆样品孵育。每个数据点表示三份孵育的平均值。使用prism 9（GraphPad）与Kruskal – Wallis，Dunn事后检验进行多重比较进行统计比较，并将显着性值设置为p <0.05。aβ，淀粉样β;电动汽车，细胞外囊泡； LAMP1，溶酶体相关的膜蛋白1； MCI，轻度认知障碍； Ptau，磷酸化的tau； SEM，平均值
一种早期检测阿尔茨海默病的新方法......
已确定的风险因素是遗传易感性，即家族史（5）。AD 的进展有四个不同的阶段，即早期轻度认知障碍 (EMCI)、轻度认知障碍 (MCI)、晚期轻度认知障碍 (LMCI) 和 AD（6）。EMCI 患者无法诊断为痴呆症，因为他们没有表现出足以干扰日常生活的症状；因此，在 MCI 的早期阶段检测出疾病对于减缓疾病进展、减轻不良症状和改善生活质量至关重要（7）。MCI 的常见症状包括健忘以及难以集中注意力、管理财务和完成任务。在这个阶段，受影响的人经常否认他们的症状，但在疾病进展到最后阶段之前检测出这个阶段是至关重要的（7,8）。由于 MCI 阶段的症状很容易被误诊为额颞叶痴呆 (FTD)、精神疾病、血管性痴呆或帕金森病，因此在这个阶段区分 AD 进展至关重要（9）。为了克服诊断困难，研究人员正在研究脑脊液，并使用计算机断层扫描 (CT)、磁共振成像 (MRI) 和正电子发射断层扫描 (PET) 等技术来检测 MCI 患者大脑的早期变化。其中，MRI 是最常用的，因为它完全无创且广泛可用。MRI 扫描可提供大脑结构异常变化的图片并检测大脑区域的收缩。理论上，MRI 可提供解析淀粉样蛋白-β 斑块所需的空间分辨率 (8-10)。机器学习 (ML) 是人工智能的一个分支，它允许计算机使用统计数据、概率和算法从感兴趣的数据中学习，从而解决复杂的现实问题。具有计算机辅助诊断的 ML 算法已广泛用于开发高性能医学图像处理系统 (10-11)。 ML 技术被发现对 AD 的诊断非常有用，许多研究已经使用了经典的 ML 方法，例如随机森林 (12) 和支持向量机 (SVM) (13) 来分析和解释 MRI 扫描、对模式进行分类和对数据进行建模。在这个领域使用 ML 有一些限制，因为这些算法通常涉及手动选择大脑 MRI 图像上的预选感兴趣区域 (ROI)。手动选择 ROI 需要大量劳动力和时间，并且容易出错 (14)。深度学习是 ML 的一个子集，它使我们能够解决
异常脑临界性是临床前阿尔茨海默病的神经基础
图 1| LRTC 将 NC、SCD 和 MCI 队列分离。a、左：每个队列代表性参与者的颞上皮质（红色区域）的 MEG 宽带时间序列（蓝色 = 神经典型对照 (NC)、绿色 = 主观认知衰退 (SCD) 和橙色 = 轻度认知障碍 (MCI)）。中间：窄带 (10.6 Hz) 区域时间序列及其振幅包络。右：相应的平均 DFA 指数）。b，平均 DFA 指数，在区域和队列内取平均值。阴影区域表示自举（n=10,000）95% 置信区间。红色菱形突出显示具有显着差异的频率（Kruskal-Wallis 检验，p<0.05，FDR 校正）。c，平均 DFA 指数在各队列之间的成对差异。红色菱形突出显示显着差异。 d，DFA 指数的密度图（左）在 alpha 内平均（7
用于检测认知障碍的机器学习
摘要：对认知问题的检测，尤其是在早期阶段，至关重要，诊断为手动的方法是手动的，取决于一位或多个专业医生，将其诊断为认知能力下降升级到痴呆症的早期阶段，例如阿尔茨海默氏病（AD）。AD的早期阶段与轻度认知障碍非常相似（MCI）；确定与疾病相关的可能因素至关重要。本研究旨在证明自动化模型可以在早期阶段对MCI和AD进行分类。本研究使用机器学习（ML）算法的组合使用基因表达来识别AD。用于认知问题和健康人员分类的算法（对照）是：线性回归，决策树（DT），NaîveBayes（NB）和深度学习（DP）。这项研究的结果表明，使用深度学习（DL）算法，ML算法可以在早期阶段以80％的精度识别AD。
一种新型的深度学习方法，使用Alexnet在阿尔茨海默氏病和轻度认知障碍中对脑电图分类
摘要 - 阿尔茨海默氏病（AD）是痴呆症的最常见形式。轻度认知障碍（MCI）是描述前驱AD的阶段的术语，代表了早期AD诊断中的“危险因素”，这是由于老龄化引起的正常认知能力下降。脑电图（EEG）已被广泛研究以进行AD表征，但可靠的早期诊断继续提出挑战。这项研究的目的是使用EEG衍生的功能图像和深度学习技术引入AD患者，MCI受试者和年龄匹配的健康对照组（HC）受试者之间进行分类的新型方法。将141名年龄匹配受试者（52 AD，37 MCI，52 HC）的EEG记录转换为2D灰度图像，代表21 EEG通道之间的Pearson相关系数和距离LEMPEL-ZIV复杂性（DLZC）。每种特征类型都是从原始记录中分割的1s，2s，5s和10s的EEG时期计算的。CNN体系结构ALEXNET已修改并用于这项三向分类任务，并使用70/30拆分进行训练和验证，并使用每个不同的时期长度和EEG衍生的图像进行验证。使用来自10S时期的DLZC衍生图像作为模型的输入获得了73.49％的最大分类精度，但使用从Pearson相关系数和5S时期获得的图像达到了98.13％的分类精度达到98.13％。
建模大脑萎缩动力学增强了预测阿尔茨海默氏病连续体认知能力下降
阿尔茨海默氏病（AD）被认为是认知能力下降的连续体，而潜在的生物学变化，预测疾病进展至关重要。脑萎缩状态对于评估疾病的严重程度和预后是关键的，但是对其纵向变化及其与进展的统治建模尚未得到充分兴奋。本研究提出了一种基于深度学习的新型方法，可以精确地模拟从ADNI数据库中收集的轻度认知障碍（MCI）受试者的62个皮质和皮质下区域的萎缩动力学，随后是独特的培训方案，以添加β-淀粉样蛋白蛋白质对促性蛋白质的影响以及对模型型的特征的影响。此外，我们将动力学直接实施到MCI中，以将动态实施到示例转换预测任务。我们的发现证明了使用深度学习对萎缩动力学进行建模的可行性，并建议利用动力学代表（DR）增强了转换预测。
皮质铁积累作为临床认知障碍谱系神经退行性疾病的影像标记：定量磁化率映射
目的：最近有研究表明阿尔茨海默病 (AD) 会出现皮质铁沉积。在本研究中，我们旨在评估使用定量磁敏感度映射 (QSM) 测量的皮质灰质铁在临床认知障碍谱中的差异。材料和方法：这项回顾性研究评估了 73 名认知正常 (NC) 的参与者（平均年龄±标准差，66.7±7.6 岁；52 名女性和 21 名男性）、158 名轻度认知障碍 (MCI) 患者和 48 名 AD 痴呆患者。参与者在 3-T 扫描仪上使用三维多动态多回波序列进行脑磁共振成像。我们采用了深度神经网络 (QSMnet+) 并使用基于 FreeSurfer v6.0 的自动分割软件来提取皮质中的解剖标签和感兴趣的体积。我们使用协方差分析来研究每个大脑区域临床诊断组之间的磁敏感度差异。采用多元线性回归分析研究敏感性值与简易精神状态检查表（MMSE）等认知评分之间的相关性。结果：三组中，MCI 合并 AD 患者的额叶（P < 0.001）、颞叶（P = 0.004）、顶叶（P = 0.001）、枕叶（P < 0.001）和扣带皮层（P < 0.001）的平均敏感性高于 NC 患者。在 MCI 合并 AD 组中，在校正年龄、性别、受教育程度、区域体积和 APOE4 携带者状态后，扣带皮层（β = -216.21，P = 0.019）和岛叶皮层（β = -276.65，P = 0.001）的平均敏感性是 MMSE 评分的独立预测因子。结论：通过 QSMnet+ 测量，AD 和 MCI 患者的皮质铁沉积高于 NC 参与者。扣带回和岛叶皮质中的铁沉积可能是认知障碍相关神经变性的早期影像学标志。关键词：铁；定量评估；认知障碍；磁共振成像
在智能家居环境中使用便携式脑电图在冥想练习期间诱发认知障碍患者的脑电波：一项初步研究
全世界有超过 5500 万人患有阿尔茨海默病 (AD)，这是最常见的神经退行性疾病，而根据世界卫生组织的数据，预计到 2050 年这一数字将达到 1.39 亿例 (S. Report, 2021)。然而，AD 的病因及其临床前阶段，如轻度认知障碍 (MCI) 和主观认知衰退 (SCD)，仍不清楚，也没有提出有效的治疗方法 (Petersen 等人，2001；Albert 等人，2011；Stewart，2012；Bessi 等人，2018；Yue 等人，2021)，尽管早期发现这些病症具有重要的科学意义。每年，10% 到 15% 的 MCI 患者会发展为 AD，预计超过一半的 MCI 患者会在 5 年内发展为 AD（Gauthier 等人，2006 年；Tarnanas 等人，2015 年）。然而，由于危险性和副作用较低，一些非药物方法也被提出。另一方面，尽快发现认知功能下降以阻止认知功能障碍和 AD 的进展仍然是科学的重中之重。因此，脑电图 (EEG) 因其在识别早期认知能力下降方面的优势而得到广泛研究，它似乎是这方面的一种潜在方法，因为它提供了一种非侵入性且简单的工具，可早期检测整个 AD 谱系中的大脑活动异常（Lazarou 等人，2019a、2020 年）。脑电图 (EEG) 已被用作诊断 AD 的工具，并且已采用多种技术来检测 AD 患者的脑电图异常。在这个方向上，考虑到先前的研究通过探索大脑频率、ERP 或基于图论的大脑连接组更高级指标（Lazarou et al. 2019b, 2020）阐明了 EEG 的临床重要性，这可以提高我们对认知能力下降早期阶段人类大脑复杂组织的理解。关于脑电波，EEG相关研究表明，与正常老年受试者相比，认知障碍者在静息态活动期间，delta和theta功率增加，而alpha和beta活动功率则降低（Aftanas和Golocheikine，2001；Lal和Craig，2002；Aftanas和Golocheikine，2003；Lutz等，2008；Foxe和Snyder，2011；Wells等，2013；Snyder等，2015；Tsoneva等，2015；Deolindo等，2020；Bentley等，2022；Lazarou等，2022）。最近的科学数据表明，特定的EEG标记物与转化预后相关。这些标记是增加的 theta/gamma 比率，alpha 频率的降低，这似乎与转化为 AD 有关。此外，在 MCI 和 AD 受试者中，静息状态下的后 delta 和 alpha EEG 节律似乎对 AD 神经退行性过程更为敏感（Osterrieth，1944 年）。Babiloni 等人在他们的工作中提出了以下假设：在 MCI 和 AD 患者中，由于整个疾病的皮质萎缩，脑电图节律存在异常。他们的研究结果表明
与认知障碍有关的严重绝经症状
抽象目的：评估绝经后妇女的绝经症状与认知能力下降之间的关联。方法：这是对参加九个拉丁美洲国家 /地区妇女咨询的妇女进行的横断面，观察性研究的亚分析。调查涉及绝经后妇女，她被要求填写一般问卷和更年期评级量表（MRS），以评估更年期的症状，并使用用于评估认知功能作为结果的蒙特利尔认知评估。使用少于21的蒙特利尔认知评估评分来定义患有轻度认知障碍的女性（MCI）。结果：该研究包括1,287名绝经后妇女，平均年龄为55.5岁，平均体重指数为26.3 kg/m 2。平均而言，参与者有13。8年的教育和2.3±1.8个孩子，有72.8％的人报告有伴侣。此外，有36.7％的人曾经使用过更年期激素治疗。关于生活方式因素，久坐的生活方式占50.3％，而70.5％的人从未抽烟。15.3％的女性MCI表现出更严重的绝经症状（MRS总分15.24±12.58和10.53±8.84，p <0.001）。逻辑回归分析显示，严重绝经症状（MRS总分≥14点）与MCI（优势比[OR]，1.74； 95％CI，1.25-2.42）之间存在显着关联。结论：绝经后妇女的严重更年期症状与认知障碍有关。Conversely, a lower body mass index (OR, 0.96; 95% CI, 0.95-0.98), sexual activity (OR, 0.70; 95% CI, 0.51-0.96), physical exer- cise (OR, 0.55; 95% CI, 0.39-0.76), menopausal hormone therapy use (OR, 0.36; 95% CI, 0.24-0.55）和较高的教育水平（OR，0.31; 95％CI，0.21-0.46）与MCI的几率较低有关。这项研究强调了荷尔蒙，生活方式和社会人口统计学因素与认知健康之间的复杂相互作用。关键词：更年期激素治疗 - 更年期症状 - 更年期评级量表 - 轻度认知障碍 - 蒙特利尔认知评估。
EEG P-ADIC量子潜力准确地识别抑郁症，精神分裂症和认知能力下降 非暴力抵抗策略的动态模型
对于大多数神经精神疾病，尚无可用来帮助早期诊断和及时治疗干预的诊断或预测工具。开发了基于常规的脑电图记录，量子潜在的平均值和可变性评分（QPMV）以高精度识别具有高精度的神经精神和神经认知失误。假定大脑中的信息过程涉及大脑各个区域中神经元活性的整合。因此，假定的量子样结构允许量化连通性作为空间和时间（局部性）的函数以及信息空间（非局部性）中类似量子的效应的函数。eeg信号反映了大脑的整体（不可分割）功能，包括大脑的高度层次结构，该功能由量子电位根据Bohmian力学表达，并结合了数据和PADIC数字的树状图表示。参与者由230名参与者组成，其中包括28名患有严重抑郁症的参与者，42名精神分裂症，65名认知障碍和95个对照。常规的脑电图记录用于基于超级分析的QPMV，与P -ADIC数字和量子理论紧密结合。新型的EEG分析算法（QPMV）似乎是诊断神经精神疾病和神经认知疾病的有用且足够准确的工具，并且可能能够预测疾病的病程和治疗的反应。基于曲线下的面积，在将健康对照与诊断为精神分裂症（p <0.0001）（p <0.0001），阿尔茨海默氏病，阿尔茨海默氏病（AD; p <0.0001）和轻度认知障碍（MCI; p <0.0001）以及与Schizeprenrren的参与者（p <0.0001）以及p <0.000 <0.000 <0.000 <0.000 <0.000 <0.0001）中获得了高准确性。 0.0001）或MCI（p <0.0001）以及与AD（P <0.0001）或MCI（P <0.0001）的抑郁症患者区分开来。