XiaoMi-AI文件搜索系统
World File Search SystemPathological
利用非脑和多模态脑成像数据预测健康和病理衰老过程中未来的认知能力下降
a 瑞士苏黎世大学心理学系可塑性研究方法 b 瑞士苏黎世大学和苏黎世联邦理工学院苏黎世神经科学中心 (ZNZ) c 瑞士苏黎世大学大学研究优先计划“健康老龄化动力学” d 法国帕莱索巴黎萨克雷大学、Inria、CEA e 德国莱比锡马克斯普朗克人类认知和脑科学研究所神经病学系 f 加拿大魁北克省蒙特利尔蒙特利尔大学老年医学研究所功能神经影像科 g 美国德克萨斯州奥斯汀德克萨斯大学戴尔医学院计算神经影像实验室 h 美国密歇根州底特律韦恩州立大学老年学研究所和心理学系 i 加拿大蒙特利尔康考迪亚大学心理学系 j 大脑与运动研究所认知神经解剖学实验室épinière，法国巴黎 k 德克萨斯大学心理学系，美国德克萨斯州奥斯汀
肝细胞癌患者新辅助免疫检查点抑制剂治疗后的病理反应：一项跨试验、患者水平的分析
英国伦敦帝国理工学院外科和癌症系癌症科（A D'Alessio MD、B Stefanini MD、CAM Fulgenzi MD、C Celsa MD PhD、GF Manfredi MD、A Cortellini MD PhD、DJ Pinato MD PhD）和外科科（M Pai MD）；意大利诺瓦拉东方皮埃蒙特大学“A. Avogadro”转化医学系（GF Manfredi、DJ Pinato）；意大利博洛尼亚大学医学和外科科学系（B Stefanini）；美国纽约州纽约市西奈山医院 Tisch 癌症研究所医学系、血液学-肿瘤学科（J Blanter MD、B Adegbite MD、F Crowley MD、TU Marron MD PhD）；英国伦敦 Barts Health NHS Trust 的 Barts 和伦敦 HPB 中心（V Yip MD）和肿瘤内科（S Slater MD）；意大利巴勒莫大学健康促进、母婴保健、内科和医学专业系胃肠病学和肝病学部（C Celsa）；英国伦敦圣玛丽医院伦敦帝国理工学院消化病系（RD Goldin MD 教授）；美国纽约州纽约市西奈山伊坎医学院病理学、分子和细胞医学系（SC Ward MD PhD、MI Fiel MD）；约翰霍普金斯大学医学院 Sidney Kimmel 综合癌症中心，
冰片对病理状态下血脑屏障的调控及机制研究进展——以缺血性中风为例
血脑屏障 (BBB) 是脑与外周循环之间的动态脑屏障。血脑屏障由脑毛细血管内皮细胞、周细胞和星形胶质细胞端足组成，可有效保护脑免受血液中有害毒素和病原体的侵害 (1,2)。血肿瘤屏障 (BTB) 是指位于脑微血管附近的改良血脑屏障，这种屏障是由于原发性脑肿瘤（包括神经母细胞瘤和其他内脏癌症，如肺癌、乳腺癌、黑色素瘤等）的存在导致神经血管单元发生变化而形成的 (3)。血脑屏障中 P-糖蛋白 (P-gp) 的表达可防止不必要的血液毒素和信号分子进入脑 (4-6)。这种复杂的结构不仅维护脑稳定性，而且还保护脑免受外界因素的影响。另一方面，当脑部出现病理改变时，药物可能难以穿透BBB和BTB屏障，使得药物治疗脑部疾病变得困难（7-9）。
NMT 头皮脑电图数据集：用于预测模型的健康和病理脑电图记录的开源注释数据集
脑电图 (EEG) 广泛用于诊断癫痫、神经退行性疾病和睡眠相关疾病等神经系统疾病。正确解释 EEG 记录需要训练有素的神经科医生的专业知识，而这种资源在发展中国家非常稀缺。神经科医生花费大量时间筛选 EEG 记录以寻找异常。由于 EEG 测试的产量低，大多数记录结果完全正常。为了最大限度地减少这种时间和精力的浪费，可以使用自动算法提供诊断前筛查，以区分正常和异常 EEG。数据驱动的机器学习提供了一种前进的方向，然而，现代机器学习算法的设计和验证需要经过适当策划的标记数据集。为了避免偏见，基于深度学习的方法必须在来自不同来源的大型数据集上进行训练。这项工作提出了一个新的开源数据集，名为 NMT 头皮 EEG 数据集，由来自不同参与者的 2,417 条记录组成，跨越近 625 小时。每条记录都由一组合格的神经病学家标记为正常或异常。还包括患者的性别和年龄等人口统计信息。我们的数据集主要针对南亚人口。我们在 NMT 上实施和评估了几种为 EEG 诊断前筛查而开发的最先进的深度学习架构，并将其与著名的天普大学医院 EEG 异常语料库的基线性能进行了比较。我们还研究了基于深度学习的架构在 NMT 和参考数据集上的泛化。发布 NMT 数据集是为了增加 EEG 数据集的多样性，并克服 EEG 研究缺乏准确注释的公开可用数据集的问题。
投射到潜在空间可以解开阿尔茨海默病无症状期对大脑形态的病理影响
阿尔茨海默病 (AD) 连续体被定义为若干神经病理过程的级联，可以使用生物标志物进行测量，例如脑脊液 (CSF) 中的 A β、p-tau 和 t-tau 水平。同时，可以通过成像技术（例如磁共振成像 (MRI)）表征大脑解剖结构。在这项工作中，我们将两组测量值联系起来，并寻找生物标志物与大脑结构之间的关联，以指示 AD 的进展。目标是揭示 AD 病理对区域大脑形态信息的潜在多变量影响。为此，我们使用了投影到潜在结构 (PLS) 方法。使用 PLS，我们发现了一个低维潜在空间，它最能描述同一受试者两组测量值之间的协方差。模型中包含了对大脑形态的可能混杂因素（年龄和性别），并使用正交 PLS 模型进行回归。我们寻找脑形态和脑脊液生物标志物之间的统计学显著相关性，以解释每个感兴趣区域 (ROI) 的部分体积变化。此外，我们使用聚类技术发现了一小组描述 AD 连续体的脑脊液相关模式。我们将这项技术应用于整个 AD 连续体中的受试者研究，从临床前无症状阶段一直到有症状组。后续分析涉及将疾病过程分为诊断类别：认知无障碍受试者 (CU)、轻度认知障碍受试者 (MCI) 和痴呆症受试者 (AD-dementia)，其中所有症状均由 AD 引起。
研究对病理状态的血脑屏障的调节和机制的研究进度：叙述性评论的重点是缺血性
血脑屏障（BBB）是大脑和外围循环之间的动态脑屏障。包括脑毛细血管内皮细胞，周细胞和星形胶质细胞末端，BBB有效地屏蔽了大脑免受血液中有害毒素和病原体的影响（1,2）。血肿瘤屏障（BTB）是指位于脑微血管附近的一个修饰的BBB，该修饰是由于神经血管单元的变化而导致的，这是由于存在原发性脑肿瘤，包括神经母细胞瘤和其他内脏癌症，例如肺癌，乳腺癌，黑色素瘤等，例如（3）。P-糖蛋白（P-GP）在BBB中的表达可防止不必要的血液毒素和信号分子进入大脑（4-6）。这种错综复杂的结构不仅维护脑稳定性，而且还使大脑免受外部因素的影响。另一方面，当大脑中发生病理变化时，药物可能很难穿透BBB和BTB屏障，从而使药物挑战性脑部疾病治疗（7-9）。
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
光遗传学和深部脑刺激研究和治疗病理性脑回路瑞士日内瓦 2015 年 5 月 7 日至 9 日
深部脑刺激是一种公认的治疗方法，据信它可以减少病理回路功能，使患有特定神经系统疾病的患者受益。另一方面，光遗传学方法能够对多种脑部疾病的动物模型中的神经回路功能进行有力的研究。OptoDBS 2015 将讨论 DBS 当前疗法的最新进展，并探讨如何更好地了解病理中的神经回路功能障碍，从而激发新的治疗方案。会议将特别强调 DBS 的新适应症，例如强迫症 (OCD)、抑郁症或成瘾症。前沿的光遗传学演示将与顶尖专家的临床研究交替进行。此次会议还将作为日内瓦大学医学院一项倡议的启动仪式，旨在促进 DBS 和光遗传学的研究。我们非常感谢 Assura 集团的 Divesa 基金会、Carigest SA 和日内瓦学术协会的慷慨支持，这让我们能够举办一场邀请杰出演讲嘉宾的会议。本次会议被瑞士州立兽医协会认定为为期一天半的动物实验继续教育。组织者：Pierre Pollak（日内瓦大学 - 日内瓦大学医院）Christian Lüscher（日内瓦大学 - 日内瓦大学医院）
B55α/PP2A 限制血管重塑过程中的内皮细胞凋亡：杀死病理血管的补充方法？
摘要 原理：内皮细胞 (EC) 如何迁移和形成未成熟血管丛已被广泛研究。然而，血管重塑的潜在机制仍不甚明了。更好地了解这些过程可能导致设计与当前血管生成抑制剂互补的新型治疗策略。 目的：从我们之前观察到的 PP2A 磷酸酶调节 HIF/PHD2 构成的氧气机制开始，我们假设该轴可能在血管形成、组织灌注和氧气恢复过程中发挥重要作用。 方法和结果：我们发现调节性 PP2A-磷酸酶亚基 B55 处于血管修剪和血管成熟的十字路口。具有高 B55 的血管将抵抗细胞应激条件并蓬勃发展以实现稳定和成熟。当 B55 受到抑制时，EC 无法应对细胞应激并发生细胞凋亡，导致新生血管大量修剪。从机制上讲，我们发现 B55 /PP2A 复合物可抑制 PHD2 活性，以 HIF 依赖的方式促进 EC 存活，此外还可使 p38 去磷酸化，从而保护 EC 免受细胞应激（例如在血流开始时）的影响。在肿瘤中，EC 特异性 B55 缺陷可诱导未成熟样肿瘤血管修剪，从而导致肿瘤生长和转移延迟，而不会影响非病理性血管。持续全身性施用泛 PP2A 抑制剂可破坏体内血管网络形成和肿瘤进展，而不会对 B55 缺陷型血管产生额外影响。结论：我们的数据强调了 B55 /PP2A 磷酸酶复合物在血管重塑中的独特作用，并建议使用 PP2A 抑制剂作为强效抗血管生成药物，专门针对新生血管，其作用方式与 VEGF(R) 靶向疗法互补。关键词：血管生成、B55 /PP2A 磷酸酶、发展、肿瘤进展、细胞凋亡、转基因模型、肿瘤、细胞凋亡。
机器学习分析病理图像预测小细胞肺癌患者免疫治疗1年无进展生存期
摘要 背景 在小细胞肺癌 (SCLC) 中，肿瘤免疫微环境 (TIME) 可能是免疫治疗的一个有希望的生物标志物，但客观评估 TIME 仍然具有挑战性。因此，我们旨在通过对 TIME 进行机器学习分析来开发一种预测免疫治疗效果的生物标志物。方法 我们对接受化学免疫疗法作为一线治疗的广泛期 SCLC 患者进行了一项前瞻性研究的生物标志物分析。我们使用病理图像（H&E、程序性细胞死亡配体 1 (PD-L1) 和双重免疫组织化学测定（分化簇 8 (CD8) 和叉头框 P3 (FoxP3)）和患者信息训练了一个模型来预测 1 年无进展生存期 (PFS)。主要结果是机器学习模型在预测 1 年 PFS 方面的平均曲线下面积 (AUC)。结果我们分析了来自 78 名患者的 100,544 个病理图像块。患者信息、病理图像和组合模型的平均 AUC 值分别为 0.789（范围 0.571–0.982）、0.782（范围 0.750–0.911）和 0.868（范围 0.786–0.929）。在这三个模型中，高效组 PFS 均长于低效组（患者信息模型、HR 0.468，95% CI 0.287 至 0.762；病理图像模型，HR 0.334，95% CI 0.117 至 0.628；组合模型，HR 0.353，95% CI 0.195 至 0.637）。TIME 的机器学习分析比人体计数评估具有更好的准确性（人体计数的 AUC，CD8 阳性淋巴细胞：0.681，FoxP3 阳性淋巴细胞：0.626，PD-L1 评分：0.567）。结论使用机器学习对 TIME 进行空间分析可以预测 SCLC 患者的免疫治疗疗效，从而支持其作为免疫治疗生物标志物的作用。