XiaoMi-AI文件搜索系统
World File Search SystemNeuroImaging
电神经成像、脑网络和神经反馈协议的新进展
人类脑电生物反馈 (神经反馈) 始于 20 世纪 40 年代 [1]，使用 1 个脑电图记录通道，然后在 20 世纪 90 年代发展到 4 个通道。电神经成像领域的新进展使用低分辨率电磁断层扫描 (LORETA) 脑电图三维电流源将脑电生物反馈扩展至 19 个通道 [ 2]。2004 年至 2006 年，开发了将脑电图与健康参考数据库进行“实时”比较的概念，并使用基于统计钟形曲线的表面脑电图 z 分数神经反馈进行测试，该统计钟形曲线称为“实时”z 分数。开发“实时”或“现场”规范参考数据库比较是为了帮助减少选择什么阈值来激活反馈信号的不确定性，并将所有脑电图测量值统一为一个值，即与年龄匹配的参考样本平均值的距离。 2009 年，LORETA z 分数神经反馈通过针对被称为布罗德曼区域的大脑网络中心进一步提高了特异性。2009 年创建了一个症状检查表程序，以帮助将症状与基于 fMRI 和 PET 和神经学的大脑网络失调联系起来。症状检查表和基于 NIH 的网络将症状与大脑网络联系起来，源自 1990 年开始的人类大脑映射程序，该程序至今仍在继续。
社论：脑机接口和神经成像中的人工智能用于神经调节和神经反馈
神经调节和神经反馈是治疗神经相关疾病和障碍的两种替代非药物方法 (Grazzi 等人，2021 年；Hamed 等人，2022 年)。神经调节是指通过应用弱直流电来调节大脑功能 (Lewis 等人，2016 年)。神经反馈是一种心理生理程序，可为受试者提供神经活动模型，旨在对其进行在线控制 (Marzbani 等人，2016 年)。这两种替代方法都已成功应用于多种神经系统疾病，包括帕金森病、慢性疼痛、癫痫、抑郁症、特发性震颤等 (Tsatali 等人，2019 年；Baptista 等人，2020 年；Hamed 等人，2022 年)。这些类型的治疗面临的典型挑战包括数据收集方式、方法效率的提高、反馈信号的可解释性等（Johnson 等人，2013 年；Lewis 等人，2016 年；Marzbani 等人，2016 年；Papo，2019 年）。目前，人工智能 (AI)，尤其是机器学习 (ML)，可以更好地理解大脑活动，并建立更好的脑机接口 (BCI) 交互机制（Zhang 等人，2020 年）。在神经调节或神经反馈的数据收集和监测阶段整合 AI/ML 可用于神经系统疾病和障碍的早期诊断和准确的非药物治疗。ML 能够分析大量患者信息
机器学习如何推动神经成像改善大脑健康
摘要 本报告概述了机器学习如何快速推进临床转化成像，从而有助于早期发现、预测和治疗威胁大脑健康的疾病。为了实现这一目标，我们将分享 2021 年 2 月 12 日由麻省总医院麦坎斯脑健康中心和麻省理工学院 HST 神经影像培训计划共同主办的研讨会“大脑结构和功能的神经影像指标——缩小研究与临床应用之间的差距”上提供的信息。研讨会重点讨论了机器学习方法应用于越来越大规模的神经影像数据集的潜力，以改变医疗保健服务，并通过在生命早期解决大脑护理来改变大脑健康的轨迹。虽然不是详尽无遗的，但本概述以独特的方式解决了从图像形成、分析和可视化到综合和纳入临床工作流程的许多技术挑战。我们还探讨了这项工作固有的一些道德挑战，以及一些实施的监管要求。我们致力于教育、激励和启发研究生、博士后研究员和早期职业研究人员，为未来神经成像对维持大脑健康做出有意义的贡献。
在非部署环境中轻度创伤性脑损伤后神经影像
Biomarkers Two plasma biomarkers, glial fibrillary acidic protein (GFAP) and ubiquitin carboxyl-terminal hydrolase L1 (UCH-L1), are FDA approved as highly sensitive for an abnormal CT scan following mTBI and can be measured with the i-STAT handheld Alinity System.目前不能只用血浆进行全血。9指在潜在的脑震荡事件临床实践指南之后，使用创伤性脑损伤血浆生物标志物以获取更多信息。
一种自然主义的神经影像学数据库，用于使用生态刺激
神经影像学通过还原主义刺激来提高我们对人类心理学的理解，这些刺激通常与大脑自然遇到的信息不像信息。，它主要通过分析“静止状态”数据的分析来提高我们对大脑网络组织的理解，而网络功能无法确定标记。我们公开使用“自然主义神经影像学数据库”（NNDB V1.0），以便在更完整的生态条件下对大脑进行更完整的了解，在此期间可以标记网络。86名参与者接受了行为测试，并观看了10部全长电影之一，同时获得了功能性磁共振成像。结果显示的数据显示为高质量，具有良好的信号噪声比，几乎没有异常值和低运动。数据驱动的功能分析提供了进一步的数据质量证据。他们还展示了准确的时间表/电影对齐方式以及如何使用电影注释来标记网络。NNDB可用于用标准的神经影像学方法来回答以前未解决的问题，从而提高了我们对大脑在现实世界中的工作方式的了解。
神经影像学和遗传分析在脑瘫儿童诊断中的作用
脑磁共振成像（MRI）被认为是评估患有脑瘫儿童（CP）的重要工具，因为在80％以上的CP儿童中，它异常，披露了导致神经系统状况的致病模式。因此，建议将MRI作为病史接受和神经系统检查后的第一个诊断步骤。随着遗传诊断的进步，对CP的遗传贡献越来越多，并且关于遗传测试在脑瘫诊断中的作用的问题。 本文概述了CP中报道的遗传发现，根据神经成像发现，对潜在的脑病理学进行了讨论。 欧洲脑瘫（SCPE）对CP中的神经成像发现分类为五个类别，这有助于对有关基因检测的决策进行分层。 主要的白物质和灰质损伤是迄今为止的（占发现的50％和20％）。 被认为是获得的。 在这里，诱发的遗传因素可能起着提高脆弱性的作用（当家族病史是积极的和/或缺失的原因外部因素时，应特别考虑）。 在马尔德开发和正常发现（每个大约11％）中，单基因原因更有可能，因此明确建议进行基因检测。 在其他类别中，必须考虑MRIIFING的确切性质，因为它可能表明遗传起源。随着遗传诊断的进步，对CP的遗传贡献越来越多，并且关于遗传测试在脑瘫诊断中的作用的问题。本文概述了CP中报道的遗传发现，根据神经成像发现，对潜在的脑病理学进行了讨论。欧洲脑瘫（SCPE）对CP中的神经成像发现分类为五个类别，这有助于对有关基因检测的决策进行分层。主要的白物质和灰质损伤是迄今为止的（占发现的50％和20％）。被认为是获得的。在这里，诱发的遗传因素可能起着提高脆弱性的作用（当家族病史是积极的和/或缺失的原因外部因素时，应特别考虑）。在马尔德开发和正常发现（每个大约11％）中，单基因原因更有可能，因此明确建议进行基因检测。在其他类别中，必须考虑MRIIFING的确切性质，因为它可能表明遗传起源。
解释用于神经影像数据分析的核 SVM 模型的预测
机器学习方法在许多领域都表现出色，包括神经影像数据分析。然而，模型性能只是神经影像分析的一个目标。从数据中获得洞察力在这一领域也至关重要，例如识别检测到的信号与认知和诊断任务相关的区域。为了满足这一需求，实现模型决策过程的可解释性至关重要。众所周知，复杂机器学习模型的预测很难解释。这限制了核支持向量机 (SVM) 等复杂模型在神经影像分析中的使用。最近，已经开发了几种基于置换的方法来解释这些复杂模型。然而，解释结果会受到与类无关的特征（如抑制变量和高背景噪声变量）的影响。在解释线性模型时也可能会出现这个问题。一个可能的原因是，当特征不独立（例如相关）时，置换过程会产生不切实际的数据实例。这些不切实际的数据实例会影响解释结果。在神经影像分析中，激活模式（对应于当前分类器的假设生成模型的估计权重）用于处理线性模型的这一问题。该方法不依赖于置换过程，而是依赖于可用的数据信息。在本文中，我们提出了一种通过激活模式解释（EAP）的新方法来解释用于神经影像数据分析的不同类型核的 SVM 模型。我们的方法可以通过估计核 SVM 模型的激活模式来生成全局特征重要性分数。我们在模拟数据集和公开的视觉任务 EEG/MEG 数据集上将我们的方法与三种流行方法进行了评估。实验结果表明，与其他三种方法相比，所提出的 EAP 方法可以提供低计算成本的解释，并且受类无关特征的影响较小。在使用视觉任务的 MEG/EEG 数据集的实验中，所提出的 EAP 方法在视觉任务 EEG/MEG 数据上提供的结果与文献中报道的大脑电活动模式一致，并且比其他解释方法快得多。
针对数百名（而非数千名）参与者的脑部疾病神经影像学研究的可重复性
图 1. 功效计算和重复率的实证分析。图 a 显示了统计功效与样本量和显著性阈值（1,000 次迭代）的关系。实线表示基于 ENIGMA 7 精神分裂症效应量（患者和对照组之间的皮质厚度组间差异）的功效计算；为了进行比较，虚线表示 Marek 等人报告的功效计算。3（源数据图 3 取自原始文章）。水平虚线对应于 80% 统计功效的领域标准。模拟表明，对于 P <10 -4 的 BWAS，550 个病例和 550 个对照的样本量达到 80% 的统计功效；对于 P <10 -3 的 BWAS，450 个样本达到 80% 的功效。图 b 显示了精神分裂症实证数据的重复率（橙色实线）与样本量的关系（在 114 个区域进行 BWAS，根据 P <0.05 Bonferroni 测试；1,000 次迭代；线周围的彩色区域表示迭代间平均值的上下一个标准差）。橙色虚线表示外推数据（参见补充方法）。实证分析表明，需要大约 400 名患者和 400 名对照的样本量才能检测到重复率为 80% 的效果。蓝色实线显示阿尔茨海默病实证数据的重复率（蓝色实线）。样本量是指每次分析中具有相等数量对照的病例数。
社论：神经影像学的非线性动态分析的方法论发展和应用
人脑是具有非线性时空动力学的复杂系统。高级大脑功能从神经元在各种时间和空间尺度上的复杂相互作用中出现，并且在正常情况和患病状况下评估大脑信号的非线性动力学在正常和患病状态下都具有新的视角。随着神经影像学方面的持续进步，近年来对非线性动态分析的应用的兴趣和研究越来越多。因此，该研究主题是“神经影像学中非线性动态分析的方法论发展和应用”，致力于非线性动态分析方法和神经影像应用的应用。特别是，研究主题介绍了大脑熵和复杂性，动态大脑网络和动态因果模型（DCM），均在非线性动态分析的更广泛背景下。复杂度指标（例如样品熵）已广泛应用于各种大脑功能和疾病的研究，揭示了与认知功能和疾病相关的模式。Liu等。 在经典的三叉神经痛（CTN）中应用静息状态fMRI的样品熵，这是一种常见且严重的慢性神经性面部疼痛障碍。 与健康对照组（HCS）相比，他们发现丘脑和脑干中的样品熵增加，并减少了CTN下半肺叶的样品熵。 此外，丘脑样本熵和神经心理学评估显示出显着的正相关。 Liu等。 ）。 在这个研究主题中，Roediger等。Liu等。在经典的三叉神经痛（CTN）中应用静息状态fMRI的样品熵，这是一种常见且严重的慢性神经性面部疼痛障碍。与健康对照组（HCS）相比，他们发现丘脑和脑干中的样品熵增加，并减少了CTN下半肺叶的样品熵。此外，丘脑样本熵和神经心理学评估显示出显着的正相关。Liu等。 ）。 在这个研究主题中，Roediger等。Liu等。）。在这个研究主题中，Roediger等。还使用机器学习使用样品熵作为CTN和HCS分类的特征，并显示了样品熵改变作为CTN的诊断标记的潜在效用（Liu等人。fMRI复杂性的估计可以受到许多因素的影响，例如信号时间尺度和灵敏度阈值以及头部移动引起的信号变化。先前的研究在理解和评估这些潜在影响方面已经引起了一些影响（1-3）。提出了一种优化的多尺度样品熵方法，采用窗口方法来减少运动效果和过程
BigBrainWarp 工具箱用于将 BigBrain 3D 组织学与多模态神经成像相结合
1 加拿大蒙特利尔麦吉尔大学蒙特利尔神经病学研究所和医院麦康奈尔脑成像中心；2 德国于利希研究中心神经科学与医学研究所（INM-1）；3 加拿大蒙特利尔康考迪亚大学计算机科学与软件工程系；4 英国伦敦大学学院威康信托神经影像中心；5 加拿大安大略省西安大略大学大脑与思维研究所；6 德国莱比锡马克斯普朗克人类认知与脑科学研究所奥托哈恩认知神经遗传学小组；7 德国于利希研究中心神经科学与医学研究所（INM-7）；8 加拿大伦敦西安大略大学舒立克医学与牙科学院医学生物物理学系