XiaoMi-AI文件搜索系统
World File Search SystemSchizophrenia
基于免疫的机器学习预测精神分裂症和双相情感障碍的诊断和疾病状态
一项科学精神病学和心理药物学研究（SINAPS），大学精神病医院校园Duffel（UPCD），Rooienberg，19，2570 Duffel，Belgium b合作安特卫普精神病学院（CAPRI） ETEIL（UPEC），INSERM，IMRB转化神经精神病学实验室，AP-HP，H ˆ Opitaux Universitaires H Mondor，DMU Impact，FHU，FHU适应，Fondation Condation Condation con，Medical Informatics Center，France（Biomina），法国，Antwerp，Antwerp，Middelheim，Middelheim，Middelheim，Middelhem111，Middelhem111数学和计算机科学，安特卫普大学，校园Middelheim，MG105，Antwerp，Belgium f Inserm Investment Center，HP，HP，13，H Henri Mondor医院，巴黎大学埃斯特·埃斯蒂尔大学EHôpitalde Mondor 51 Tre de Tassigny，94010 Cr´Eteil，法国
精神分裂症或躁郁症患者的年轻后代的大脑结构，智商和心理病理学
背景。研究精神分裂症（SZO）和双相情感障碍患者（BDO）的后代提供了有关针对严重精神疾病的推定神经发育轨迹的重要信息。我们将颅内体积（ICV）作为神经发育的标记以及SZO或BDO之间的全球和局部脑测量，以及与智商和精神病理学有关的全球和局部脑测量。方法。T1加权磁共振成像（MRI）脑扫描是从146名参与者（8 - 19年； 40 SZO，66 BDO，40 CO）中获得的。线性混合模型用于比较组之间的ICV，全局和局部大脑测量。为了研究ICV的效果，IQ（四个子测验对儿童/Wechsler成人智能量表-III）或精神病理学的存在分别添加到模型中。结果。szo和BDO的智商显着降低，终生精神病障碍的标准比COV的SZO中的ICV明显小于BDO（d = 0.56）和CO（d = 0.59），这在很大程度上与IQ（分别独立于IQ（分别为d = 0.54 and d = 0.35））。ICV校正后，SZO的皮质比BDO（d = 0.42）和CO（d = 0.75）明显薄，而BDO中的侧心则大于CO中（d = 0.55）。智商或终生精神病诊断的纠正并未改变这些发现。结论。尽管具有较低的智商和较高的精神疾病患病率，但BDO的脑异常似乎不如SZO（但不存在）。SZO中的ICV较低意味着，与家族性的躁郁症风险相比，精神分裂症的家族风险与早期脑发育率更强。
PG课程MD精神病学
of the Problem, Schizophrenia Genetics, Schizophrenia Environmental Epidemiology Developmental Model of Schizophrenia Neuroimaging in Schizophrenia Linking Neuropsychiatric Mainfestations to Neurobiology Schzophrenia Neuropathology Schizophrenia Clinical Features and Psychopathology Concepts Schizophrenia Cognition Schizophrenia Sensory Gating Deficits and Translational Research Schizophrenia Psychosocial Treatment Schizophrenia Somatic Treatment Psychiatric Rehabilitation Schizophrenia Integrative Treatment and Functional Outcomes, Schizophrenia Spectrum Pathology and Treatment, Other Psychotic Disorders, Acute and Transient Psychotic Disorders and Brief Psychotic Disorder, Schizophreniform Disorder, Delusional Disorder and Shared Psychotic Disorder, Schizoaffective Disorder, Postpartum Psychosis, Culture-Bound Syndromes with Psychotic特征，其他未指定的精神病，其他精神病疾病的治疗，精神分裂症和其他精神病患者在早期发现和干预方面的特殊问题•情绪障碍情绪障碍历史介绍和概念概述概述情绪
照顾服用 ADHD 药物或抗精神病药物的儿童 + 筛查/监测精神分裂症或躁郁症患者
注意力缺陷多动障碍 (ADHD) 兴奋剂干预的不良影响：综合系统评价。Cureus。2023 年 9 月 26 日；15(9)：e45995。doi：10.7759/cureus.45995。PMID：37900465；PMCID：PMC10601982。
重叠的大脑状态揭示了躁郁症和精神分裂症患者大脑动态的改变
异常的大脑动力学被认为是双相情感障碍 (BD) 和精神分裂症 (SCZ) 的特征。先前的研究在研究个体如何招募重复出现的大脑状态时，通常采用状态离散化方法。由于多种大脑状态可能在任何给定时刻同时参与，因此专注于主导状态可能会掩盖临床人群中不太突出但关键的大脑状态的变化。为了解决这一限制，我们引入了一个新框架来同时评估多种大脑状态的大脑状态参与度，并研究了 BD 或 SCZ 患者与健康对照 (HC) 相比的大脑状态参与度有何不同。使用来自人类连接组计划的基于任务的数据，我们应用非线性流形学习和 K 均值聚类来识别四种重复出现的大脑状态。然后，我们在另外两个国际开源数据集中研究了这四种状态的参与度和转换变异性在 BD、SCZ 和 HC 患者之间的差异。比较各组之间的这些测量结果发现，在静息状态和基于任务的 fMRI 中，患有 BD 和 SCZ 的个体在所有四种状态下的状态转换变异性发生了显著改变，但参与度没有改变。在我们的事后和探索性分析中，我们还观察到状态转换变异性与年龄以及意志消沉之间的关联。我们的结果表明，中断的状态转换变异性会影响 BD 和 SCZ 中的多种大脑状态。通过同时研究几种大脑状态，我们的框架更全面地揭示了不同个体和精神疾病中的大脑动态差异。
支持向量机在 fMRI 数据作为精神分裂症诊断生物标志物中的应用：系统评价
作为精神疾病患者的神经影像学，对大脑功能和结构进行非侵入性测量是研究鉴别性生物标志物的有用且强大的工具。迄今为止，功能性磁共振成像 (fMRI) 和结构性磁共振成像 (sMRI) 是最常用的技术，可提供关于大脑功能、结构及其连接的多种视角。最近，人们越来越关注将机器学习 (ML) 技术、模式识别方法应用于神经影像数据，以表征与疾病相关的大脑结构和功能改变并识别表型，例如，用于转化为临床和早期诊断。我们的目的是根据 PRISMA 声明提供系统评价，支持向量机 (SVM) 技术使用来自功能性磁共振成像的神经影像学数据作为输入，对 SCZ 患者和健康对照进行诊断区分。我们纳入了使用 SVM 作为 ML 技术对被诊断为精神分裂症的患者进行的研究。在筛选过程结束时，从最初的 660 篇论文样本中，选出了 22 篇文章，并纳入我们的评论中。与任何当前可用的评估或临床诊断方法相比，该技术可以成为一种有效、廉价且非侵入性的方法，用于在早期识别和检测患者，从而节省宝贵的时间。SVM 模型的更高精度和 ML 技术的新集成方法可以在疾病早期检测患有 SCZ 或其他主要精神疾病的患者或在不久的将来潜在地确定他们的神经影像学风险因素方面发挥决定性作用。
使用亚型和分期推断算法确定 4291 名精神分裂症患者的神经结构亚群
机器学习可用于根据精神障碍的共同生物学基础来定义精神疾病的亚型。在这里，我们分析了来自 ENIGMA、非 ENIGMA 队列和公共数据集的 41 个国际队列中 4,222 名精神分裂症患者和 7038 名健康受试者的横断面大脑图像。使用亚型和阶段推断 (SuStaIn) 算法，我们通过绘制精神分裂症中灰质变化的空间和时间“轨迹”来识别两个不同的神经结构亚型。亚型 1 的特征是早期皮质为主的损失和纹状体扩大，而亚型 2 显示海马、纹状体和其他皮质下区域早期皮质下为主的损失。我们确认了这两种神经结构亚型在欧洲、北美和东亚等不同样本地点的可重复性。这种基于成像的分类法有可能识别具有共同神经生物学属性的个体，从而表明基于生物因素重新定义现有疾病结构的可行性。
跨队列可复制的静息状态功能连接在预测精神分裂症症状和认知方面的作用
Abram, SV, Wisner, KM, Fox, JM, Barch, DM, Wang, L., Csernansky, JG, MacDonald, AW, & Smith, MJ (2017)。额颞叶连接可预测精神分裂症患者的认知共情缺陷和体验性负面症状。人脑映射，38 (3)，1111 – 1124。https://doi.org/10.1002/hbm.23439 Abubacker, NF, Azman, A., Doraisamy, S., Azmi Murad, MA, Elmanna, MEM, & Saravanan, R. (2014)。乳腺医学图像语义注释中关联规则挖掘的基于相关性的特征选择。计算机科学讲义，482 – 493。https://doi.org/10.1007/978-3-319-12844-3_41 Adhikari, BM、Hong, LE、Sampath, H.、Chiappelli, J.、Jahanshad, N.、Thompson, PM、Rowland, LM、Calhoun, VD、Du, X.、Chen, S. 和 Kochunov, P. (2019)。精神分裂症中的功能性网络连接障碍和核心认知缺陷。 Human Brain Mapping，40 (16), 4593 – 4605。https://doi.org/10.1002/hbm.24723 Baker, JT, Holmes, AJ, Masters, GA, Yeo, BTT, Krienen, F., Buckner, RL, & Öngür, DJ (2014)。精神分裂症和精神病性躁郁症患者的皮质关联网络破坏。JAMA Psy-chiatry，71 (2), 109 – 118。https://doi.org/10.1001/jamapsychiatry。 2013.3469 Beaty, RE, Kenett, YN, Christensen, AP, Rosenberg, MD, Benedek, M., Chen, Q., Fink, A., Qiu, J., Kwapil, TR, Kane, MJ, & Silvia, PJ (2018). 通过大脑功能连接对个人创造力进行稳健预测。美国国家科学院院刊，115 (5), 1087 – 1092。https://doi.org/10.1073/pnas.1713532115 Berman, RA, Gotts, SJ, McAdams, HM, Greenstein, D., Lalonde, F., Clasen, L., Watsky, RE, Shora, L., Ordonez, AE, Raznahan, A., Martin, A., Gogtay, N., & Rapoport, J. (2016). 感觉运动和社会认知网络中断是儿童期发病的精神分裂症症状的基础。 Brain , 139 (1), 276 – 291。https://doi.org/10.1093/brain/ awv306 Binder, JR、Desai, RH、Graves, WW 和 Conant, LL (2009)。语义系统在哪里？对 120 项功能神经影像学研究的评论与荟萃分析。大脑皮层 , 19 (12), 2767 – 2796。https://doi.org/10.1093/cercor/bhp055 Bonnici, HM、Kumaran, D.、Chadwick, MJ、Weiskopf, N.、Hassabis, D. 和 Maguire, EA (2012)。解码内侧颞叶中的场景表征。海马, 22 (5), 1143 – 1153。https://doi. org/10.1002/hipo.20960 Brady, R.、Tandon, N.、Keshavan, M. 和 Ongur, D. (2017)。精神分裂症的阴性症状和额顶叶回路功能障碍。生物精神病学, 81 (10), S111。https://doi.org/10.1016/j.biopsych.2017. 02.285 Briggs, RG、Chakraborty, AR、Anderson, CD、Abraham, CJ、Palejwala, AH、Conner, AK、Pelargos, PE、O'Donoghue, DL、Glenn, CA 和 Sughrue, ME (2019)。下额回的解剖学和白质连接。临床解剖学，32 (4), 546 – 556。https://doi.org/10.1002/ca.23349 Cai, M., Ji, Y., Zhao, Q., Xue, H., Sun, Z., Wang, H., Zhang, Y., Chen, Y., Zhao, Y., Zhang, Y., Lei, M., Wang, C., Zhuo, C., Liu, N., Liu, H., & Liu, F. (2024)。精神分裂症中的同源功能连接中断及其相关基因表达。神经影像，289，120551。https://doi.org/10.1016/j.neuroimage。 2024.120551 Chen, J., Müller, VI, Dukart, J., Hoffstaedter, F., Baker, JT, Holmes, AJ, Vatansever, D., Nickl-Jockschat, T., Liu, X., Derntl, B., Kogler, L., Jardri, R., Gruber, O., Aleman, A., Sommer, IE, Eickhoff, SB, & Patil, KR (2021). 任务定义大脑网络的内在连接模式允许个体预测认知症状
精神分裂症个体的大脑和外周组织中microRNA生物发生机制的广泛转录破坏
摘要在精神分裂症中，大脑和周围组织中转录的改变可能是由于microRNA生物发生机制基因的表达改变所致。在这项研究中，我们探索了这些基因在脑和外围水平上的表达。我们使用闪亮的GEO应用来分析来自十个基因表达综合数据集的基因表达，以对编码MicroRNA生物发生机制的八种基因进行差异表达分析。首先，我们比较了候选受试者和精神分裂症患者在七个不同大脑区域的死后脑样本中的表达。然后，我们比较了三个外围组织中对照组受试者和精神分裂症个体之间候选基因的表达。在精神分裂症个体的大脑和周围组织中，我们报告了microRNA生物发生机制基因的明显改变的表达模式。在具有精神分裂症的个体的背侧前额叶皮层，缔合纹状体和小脑中，我们观察到某些候选基因的过表达模式表明这些大脑区域中miRNA产生增强。此外，在海马中确定了混合的转录异常。此外，在精神分裂症个体的血液和嗅觉上皮中，我们观察到了候选基因的独特异常转录模式。miRNA生物发生机制的转录破坏可能有助于脑和外周组织中的精神分裂症发病机理。值得注意的是，在精神分裂症患者中，我们报告了背外侧前额叶皮层，海马和小脑的DICER1过表达，以及血液中的dicer1上调，这表明它可能代表外围标记。
基于基因组序列的全基因组序列分析躁郁症和精神分裂症
基于基因组序列的躁郁症和精神分裂症的基于基因组序列的关联分析1,2,41，Sarah A. Gagliano Taliun 3,4,5,6,41,42，Kevin Liao 3,7，Matthew Flickinger 3，Janet L.