XiaoMi-AI文件搜索系统
World File Search SystemNeuroImaging
看清全局：利用多模态神经成像研究神经精神疾病
几十年来，人们对开发神经精神疾病新疗法的事业持适度悲观态度，但最近在新治疗方法的使用方面取得了进展。例如，考虑到氯胺酮给药和脑刺激技术对尚未确定正确治疗方法的抑郁症患者的疗效，我们有理由感到乐观。1-4 然而，尽管取得了这些进展，但仍有很长的路要走，我们小组认为，磁共振成像 (MRI) 技术的使用可能在治疗策略的持续发展和改进中发挥重要作用。虽然这已经是一个流行的观点一段时间了，但基于 MRI 的脑结构和功能指标技术经常因无法用作诊断、治疗设计或治疗效果评估的临床相关生物标志物而受到批评。目前，所有神经精神疾病亚型的疾病分类通常不是通过基于生物标志物的标准来定义的，而是通过临床观察来定义，然后根据临床观察结果来制定临床定义（例如，尚未确定正确治疗方法的精神分裂症患者）。虽然寻找类似 HbA 1c 的生物标志物（用于诊断糖尿病）来进行神经精神疾病的临床分期、预后和预测发病时间很诱人，但值得注意的是，神经生物学特征可能与描述遗传学和脑回路的指数相互作用。按照这种思路，大多数神经影像学工作可以被描述为单模态研究：在给定样本的单个时间点研究单个神经影像学模态（例如，仅结构 MRI），尽管可能收集了多个对比。虽然这些研究无疑很有用，有助于了解疾病的病理生理学，但多模态研究（评估同一人群中的多种神经成像模式）有可能提供更全面的数据，可用于分析以识别生物标志物。值得注意的是，先前的研究表明，结构和功能 MRI 都可以用作改进脑部成像的手段
有机会增加胎儿，婴儿和幼儿神经成像
胎儿，婴儿和幼儿（FIT）神经影像学研究 - 包括磁共振成像（MRI），脑电图（EEG），磁性摄影学和功能性的近红外光谱光谱学等，以及其他 - 进一步的互动洞察力，使早期的大脑发育和早期的培养在过去的2次中获得了早期的发展。在更广泛的神经影像研究中，多站点协作项目，数据共享和开源代码越来越成为规范，促进了大数据，共识标准以及快速的知识转移和发展。鉴于上述好处，以及资金机构的最新举措，以支持多型和多模式拟合神经影像学研究，FIT领域现在有机会建立可持续，协作和开放的科学实践。通过组合数据和资源，我们可以解决拟合领域最紧迫的问题，包括小效应大小，可复制性问题，
儿童注意力缺陷多动障碍病因及神经影像学研究进展
注意力缺陷多动障碍 (ADHD) 是一种常见的神经发育障碍，其特征是广泛的多动、冲动和/或注意力不集中的行为，从而损害日常生活功能。值得注意的是，据估计，ADHD 的全球患病率为 7.2% ( 1 , 2 )。特别是在中国，约有 6.4% 的儿童患有 ADHD ( 3 )。50% 到 60% 的 ADHD 患者会出现长期临床症状，通常与其他疾病并存，即焦虑症、对立面障碍和抽动障碍。这些疾病会增加自杀和犯罪的风险，并对家庭和社会产生重大的负面影响 ( 4 , 5 )。ADHD 病因复杂，通常归因于遗传和环境因素的共同作用 ( 6 , 7 )。研究表明，大脑结构异常，例如多动症患者的脑容量和皮质表面积减少，可导致大脑功能紊乱，从而造成执行功能障碍和各种临床症状，包括冲动、多动和注意力不集中 ( 7 , 8 )。
神经影像学和电生理学中动态 FC 估计的稳定性：解决方案和限制
* 通讯作者 临床医学系，功能整合神经科学中心，奥胡斯大学，Universitetsbyen 3，8000 奥胡斯，丹麦。 dvidaurre@cfin.au.dk 摘要 能够绘制大脑活动的时空组织是进一步了解人类认知基础的重要一步。这激发了人们对时变功能连接 (FC) 方法的兴趣，该方法旨在描述整个大脑区域之间统计耦合的演变。神经影像学和电生理学中已经提出了几种方法来表征时变 FC。这些方法经常被忽视的问题是，即使对于相同的数据，它们的估计在推理运行过程中也常常不稳定；也就是说，不同的运行会产生不同的结果。但为了与行为建立有意义的关系，估计必须是稳健且可重复的。我们专注于时变 FC 的生成模型隐马尔可夫模型 (HMM)，提出了两种解决此问题的方法。首先，我们考虑多次运行推理，根据衡量数据适应度和模型简单性（此处为自由能）的定量指标对运行进行排名，并选择得分最高的模型。其次，我们引入了一种新方法，称为连接主成分分析 (PCCA)，该方法通过将不同的估计值重构为稳定的潜在时变 FC 模式，明确利用 HMM 推理的多变性。我们在两个独立的 fMRI 和 MEG 数据集上讨论和比较了这些方法，显示了它们在多大程度上提高了标准时变 FC 估计的稳定性。关键词：估计噪声；隐马尔可夫模型；连接主成分分析；时变 FC；可复制性；可重复性 1. 简介 大脑功能架构的一个重要方面是如何将不同区域组合成功能网络，以及这些网络如何在许多空间和时间尺度上动态组织 (Laughlin and Sejnowski, 2003)。映射这些功能关系最广泛使用的指标之一是功能连接 (FC)，它是衡量大脑区域对之间统计依赖关系的指标 (Friston, 1994)。最近，对这些相互依赖关系的时间属性的探索揭示了 FC 在会话内存在有意义的波动，这两者都来自功能性磁共振成像 (fMRI；Fornito 和 Bullmore, 2010；Karapanagiotidis 等人，2020；Liégeois 等人，2019；Lurie 等人，2020；Vidaurre 等人，2021、2018、2017；Xie 等人，2018)。不幸的是，部分由于用于估计随时间变化的 FC 的分析工具种类繁多及其固有的局限性（Dafflon 等人，2022 年），跨研究比较结果并不总是那么容易。我们在这里关注的问题是估计噪声。任何推理依赖于优化过程的方法，例如隐马尔可夫模型 (HMM)，即使我们使用相同的数据，在推理过程中也会发生变化。也就是说，估计可能会不稳定，具体取决于数据量和模型复杂性等因素 (Vidaurre et al., 2019)。对于更简单的方法也是如此，例如独立成分分析 (ICA；Beckmann
个体脑相关神经退行性疾病异常 (IBRAIN) 的神经影像生物标志物：一项横断面研究
a 北京邮电大学人工智能学院，北京，中国 b 中国科学院大学人工智能学院和中国科学院脑网络组中心，北京，中国 c 宾夕法尼亚大学精神病学系，费城，美国 d 费城儿童医院儿童和青少年精神病学和行为科学系，费城，美国 e 德国神经退行性疾病中心（DZNE），罗斯托克，德国 f 中国科学院自动化研究所分子影像重点实验室，北京，中国 g 山东大学齐鲁医院放射科，济南，中国 h 北京大学第三医院神经内科，北京，中国 i 北京大学国家卫生健康委员会 / 教育部神经科学重点实验室，北京，中国 j 神经退行性疾病生物标志物和转化研究北京市重点实验室，北京，中国 k 首都医科大学宣武医院神经内科，北京，中国 l中国人民解放军总医院第二医学中心、国家老年疾病临床研究中心，北京，中国 m 中国人民解放军总医院第二医学中心、国家老年疾病临床研究中心神经内科，北京，中国 n 首都医科大学宣武医院放射科，北京，中国 o 天津医科大学总医院放射科，天津，中国 p 天津环湖医院神经内科，天津，中国 q 杭州医学院人民医院、浙江省人民医院精神科，杭州，中国 r 右江民族医学院附属医院，百色，中国 s 国家老年疾病临床研究中心，北京，中国 t 北京市脑疾病研究所阿尔茨海默病研究中心，北京，中国 u 北京师范大学认知神经科学与学习国家重点实验室，北京，中国
通过重复使用深神经网络特征的转移学习来进行神经影像学
摘要。将机器学习应用于神经图像的一个主要问题是MRI扫描仪的技术变异性和跨研究的受试者人群的差异。转移学习（TL）试图减轻这一问题。tl是指从相关任务中获取知识的一种方法，以改善感兴趣的任务中的概括。在这项工作中，我们在英国生物库MRI数据上进行了有关年龄和性别预测的深度神经网络，并研究了该网络对三个小型MRI数据集的预测。我们发现，神经网络可以在必要但充分的条件下从看不见的数据集中提取有意义的特征，以预测该网络以预测感兴趣的标签（例如如果年龄预测是感兴趣的任务，则对年龄预测进行了预先培训）。基于此，我们提出了一条转移学习管道，该管道依赖于在同一任务中重复使用深度神经网络功能。我们发现我们的方法的表现优于经典回归方法和从头开始训练网络。特别是我们改善了年龄和性别预测的最新结果。因此，我们的转移学习方法可以提供简单有效的管道，以在小型MRI数据集上实现高性能。
Larry E. Jennings，Jr。
认知能力的差异源于潜在神经结构的细微差异。从大脑网络中的差异中理解和预测认知中的个体变异性需要利用不同的神经影像模式捕获的独特差异。在这里，我们采用了一种多级机器学习方法，结合了人类连接组项目（n = 1050）的扩散，功能和结构性MRI数据，以提供各种认知能力的单一预测模型：全球认知功能，流畅的智力，结晶智力，脉冲，脉冲，脉冲，脉冲，空间方向性，言语上的记忆和持续性记忆和持续性记忆。对每个认知评分的样本外预测首先是使用单个神经成像方式上的稀疏性主体成分回归产生的。然后将这些个体预测汇总并提交给套索估计器，该估计量消除了跨通道的冗余可变性。相对于最佳的单一模态预示，这项堆叠的词典导致了准确性的显着提高（在解释的方差中约为1％至超过3％的提升），这是大多数测试的认知能力。进一步的分析发现，扩散和脑表面证券对预测能力的贡献最大。我们的发现建立了一个下限，以使用多种神经影像学测量来预测认知的个体差异，包括结构和功能，量化不同成像模态的相对预测能力，并揭示每种方式如何提供有关认知功能中个人差异的独特和表达信息。
使用功能性超声神经成像技术对运动意图进行单次试验解码
摘要 脑机接口 (BMI) 是恢复瘫痪患者功能的强大设备。利用神经记录技术、计算能力和对潜在神经信号的理解的重大进步，BMI 使严重瘫痪的患者能够控制外部设备，例如计算机和机器人肢体。然而，高性能 BMI 目前需要高度侵入性的记录技术，因此仅适用于小众人群。在这里，我们展示了一种基于功能性超声 (fUS) 成像的微创神经成像方法可用于检测和解码可用于 BMI 的运动意图信号。我们训练非人类灵长类动物进行记忆引导运动，同时使用硬膜外 fUS 成像记录后顶叶皮层的脑血容量变化 - 后顶叶皮层是大脑中对空间感知、多感觉整合和运动规划很重要的区域。使用在运动规划期间获得的血流动力学信号，我们对左提示运动和右提示运动进行了分类，从而确定了超声波 BMI 的可行性。这些结果证明了基于 fUS 的神经接口能够利用超声波的优异时空分辨率、灵敏度和视野，而不会破坏硬脑膜或物理穿透脑组织。
探索表征和迁移学习在解剖神经成像中的潜力：在精神病学中的应用
脑部疾病个性化医疗的前景需要有效的学习模型，以便基于解剖神经影像学预测临床状况。现在，人们一致认为深度学习 (DL) 有助于解决许多医学成像任务，例如图像分割。然而，对于单一主题预测问题，最近的研究在将 DL 与基于经典特征提取的标准机器学习 (SML) 进行比较时得出了矛盾的结果。大多数现有的比较研究仅限于预测性别和年龄等临床意义不大的表型，并且使用单一数据集。此外，他们对所采用的图像预处理和特征选择策略进行了有限的分析。本文广泛比较了 DL 和 SML 对五个多站点问题的预测能力，包括三个日益复杂的精神病学临床应用，即精神分裂症、躁郁症和自闭症谱系障碍 (ASD) 诊断。为了弥补这些临床数据集上神经影像数据的相对稀缺性，我们还评估了三种从一般健康人群的脑成像中进行迁移学习的预训练策略：自监督学习、生成建模和随年龄的监督学习。总体而言，我们发现随机初始化的 DL 和 SML 在三个临床任务中的表现相似，并且在性别预测方面具有相似的扩展趋势。这在外部数据集上得到了复制。我们还展示了所有问题中 DL 和线性 ML 模型之间高度相关的判别大脑区域。尽管如此，我们证明，在大型健康人群成像数据集（N ≈ 10k）上进行自监督预训练，以及 Deep Ensemble，使 DL 能够学习到稳健且可迁移到小规模临床数据集（N ≤ 1k）的表示。在内部和外部测试集中，它在 3 个临床任务中的 2 个上都大大优于 SML。这些发现表明，DL 在解剖神经影像学方面相对于 SML 的改进主要来自于它学习有意义且有用的大脑解剖抽象表征的能力，并且它揭示了迁移学习在精神病学个性化医疗中的潜力。
自闭症中E/I不平衡的验证和分析
1,2`，Qiifan Yang 3`，HernánVargas1，Kevin Low Neda Jahanshad 3,4,5 *`这些作者同样作为手稿的第一作者贡献了同样的作者 *这些作者同样贡献了该手稿1。。西班牙马德里政治家大学。3。。4。。5。Department of Biomedical Engineering, Viterbi School of Engineering, University of Southern California, Marina del Rey, California, USA Corresponding authors: Yolanda Gil, PhD Research Professor of Computer Science Director of USC Center on AI Research for Health Director of AI and Data Science Initiatives Information Sciences Institute Viterbi School of Engineering University of Southern California 4676 Admiralty Way Suite 1001 Marina del Rey, CA 90292 gil@isi.edu Neda Jahanshad，博士神经病学和生物医学工程信息科学副教授，LOBES：ENIGMA CONSION CONSION CONSICAN副总监，Enigma Consortial，Enigma Consortium consortial，Imagtium Imagemitium Image centimics Image centration of Sutiage and Super of Susinia of Suinia of Suinia of Suinia of Suinia of Suinia of Suinia of suinia CA 90292 NEDA.JAHANSHAD@USC.EDU作者信息Daniel Garijo：orcid：0000-0003-0454-7145（daniel.garijo@upm.es）