XiaoMi-AI文件搜索系统
World File Search SystemValizadeh
根据 7 年前获得的神经解剖学测量结果识别个体
在之前的研究中，我们小组表明，可以根据从常规结构磁共振成像 (MRI) 扫描中获得的神经解剖特征以及随后使用流行的 FreeSurfer 工具进行的分析来识别个体受试者 (Valizadeh 等人，2018)。即使仅使用少数神经解剖特征（包括总脑容量、小脑灰质和白质、基底神经节体积和脑干体积在内的 11 个脑部测量值），识别率也非常好。当使用大量大脑区域时，受试者识别率几乎完美。使用易于获得的神经解剖学测量值的受试者识别精度与其他人使用更复杂的神经解剖学测量值报告的识别结果相似 (Wachinger 等人，2015 年、2017 年)。这些结果被视为人类大脑在很大程度上具有高度个体化的证据。近年来，基于神经科学方法和数据寻找个体标记变得非常流行。该领域的最新研究表明，可以根据来自结构 MRI（Wachinger et al., 2015 , 2017 ; Valizadeh et al., 2018）、功能 MRI（Miranda-Dominguez et al., 2014 ; Finn et al., 2015 ; Amico & Goñi, 2018 ; Bari et al., 2019）、脑电图 (EEG)（La Rocca et al., 2014 ; Fraschini et al., 2015 ; Kong et al., 2019 ; Valizadeh et al., 2019）或功能性近红外光谱 (fNIRS)（de Souza Rodrigues et al., 2019）的神经指纹来区分和识别个体。目前，也有人提出，这种神经指纹可能与个体智力和流体认知能力的差异有关，例如工作记忆和注意力（Greene 等人，2018 年；Rosenberg 等人，2020 年；Yamashita 等人，2018 年；Yoo 等人，2018 年）。个体指纹也有可能积累起来形成区分临床人群的群体指纹。这种脑指纹研究与大量公开的数据集同时出现。然而，大数据神经科学方法往往忽视了人类的个性、奇点和变异性。因此，要了解这种个体变异，有必要描述人类大脑的个体特征。在我们之前的研究中，我们使用了 193 名老年人的数据集，这些老年人在 3 年内每年都会获得 MRI 数据（Valizadeh 等人，2018 年）。每位受试者获得的三次扫描中，有两次是随机的
基于大脑 sMRI、rs-fMRI 和 EEG 的自闭症谱系障碍诊断的机器学习算法的准确性：三项系统评价和荟萃分析的方案
I. Amir Valizadeh 1，医学博士，thisisamirv@gmail.com，ORCID II。 Mana Moassefi 1，医学博士，Moassefi@gmail.com，ORCID III。 Amin Nakhostin-Ansari 2，医学博士，a-nansari@alumnus.tums.ac.ir，ORCID IV。 Iman Menbari Oskoie 2，医学博士，imanmenbary@gmail.com，ORCID V. Soheil Heidari Some'eh 2,3，医学博士，S-heidari@student.tums.ac.ir，ORCID VI。 Faezeh Aghajani 2,3，医学博士，faezehaghajani.fa@gmail.com，ORCID VII。 Mehrnush Torbati 4，医学博士，M.storbati@yahoo.com，ORCID VIII。 Zahra Maleki Ghorbani 2,3，医学博士，Malmandi25@gmail.com，ORCID IX。 Reyhaneh Aghajani 2,3，医学博士，Reyhaneh.aghajani1376@gmail.com，ORCID X. Seyed Hossein Hosseini Asl 2,3，医学博士，hoseinihocein@gmail.com，ORCID XI。 Alireza Mirzamohammadi 2,3，医学博士，alireza.mirzamohamadi@shahed.ac.ir，ORCID XII。 Mohammad Ghafouri 2，医学博士，mohammadghafouri1372@gmail.com，ORCID XIII。 Shahriar Faghani 5,6，医学博士，Shahriar.faghani@gmail.com，ORCID XIV。 Amir Hossein Memari 2 ，医学博士，Mehranamir@yahoo.com ，ORCID
自闭症的自动诊断：最新技术
I. Amir Valizadeh 1，医学博士，thisisamirv@gmail.com，ORCID：0000-0001-5983-8527 II. Mana Moassefi 1，医学博士，Moassefi@gmail.com，ORCID：0000-0002-0111-7791 III。 Amin Nakhostin-Ansari 2，医学博士，a-nansari@alumnus.tums.ac.ir，ORCID：0000-0002-1113-9257 IV。 Soheil Heidari Some'eh 2,3，医学博士，S-heidari@student.tums.ac.ir，ORCID：0000-0002-2339-1070 V. Hossein Hosseini-Asl 2,3，医学博士，hoseinihocein@gmail.com，ORCID：0000-0003-2753-8719 VI. Mehrnush Saghab Torbati 4，医学博士，M.storbati@yahoo.com，ORCID：0000-0003-2524-9315 VII。 Reyhaneh Aghajani 2,3，医学博士，Reyhaneh.aghajani1376@gmail.com，ORCID：0000-0001-6294-6799 VIII. Zahra Maleki Ghorbani 2,3，医学博士，Malmandi25@gmail.com，ORCID：0000-0001-8458-2375 IX. Iman Menbari-Oskouie 2，医学博士，imanmenbary@gmail.com，ORCID：0000-0002-5511-1512 X. Faezeh Aghajani 2,5，医学博士，faezehaghajani.fa@gmail.com，ORCID：0000-0002-9019-3904 XI. Alireza Mirzamohamadi 2,3，医学博士，Alimirzareza@gmail.com，ORCID：0000-0002-6355-9851 XII。 Mohammad Ghafouri 2，医学博士，mohammadghafouri1372@gmail.com，ORCID：0000-0003-3363-9129 XIII。 Shahriar Faghani 6,7，医学博士，Shahriar.faghani@gmail.com，ORCID：0000-0003-3275-2971 XIV。 Amir Hossein Memari 2 ，医学博士，memari_ah@tums.ac.ir，ORCID：0000-0002-9639-415X 附属机构：
使用生物信息学和机器学习鉴定子宫中重要的诊断基因
摘要背景：子宫子宫内膜癌（UCEC）被称为世界第六大癌症。生物信息学和深度学习的进步提供了筛查大规模基因组数据并发现指示疾病状态的潜在生物标志物的两种工具。这项研究旨在研究使用生物信息学和机器学习算法鉴定子宫诊断和预后的重要基因。方法：分析UECE患者的RNA表达谱，使用深度学习技术鉴定差异表达的基因（DEG）。预后生物标志物。此外，彻底检查了分子途径，蛋白质 - 蛋白质相互作用（PPI）网络，DEG的共表达模式及其与临床数据的关联。最终，通过基于深度学习的分析来确定诊断标记。结果：根据我们的发现，MEX3B，CTRP2（C1QTNF2）和AASS是UCEC的新生物标志物。评估指标证明了深度学习模型的功效（DNN）功效，最小平均平方误差（MSE）为5.1096067E-5，而根平方误差（RMSE）为0.007，表示准确的预测。0.99的R平方值强调了该模型解释数据中差异的很大一部分的能力。因此，该模型在曲线（AUC）下达到了一个完美的区域，表示特殊的歧视能力，精度率为97％。因此，确定新的UCEC生物标志物有望有效护理，改善预后和早期诊断。结论：GDCA数据库和深度学习算法确定了3个重要基因-MEX3B，CTRP2（C1QTNF2）和AASS，是UCEC的潜在诊断生物标志物。关键词：子宫语料库子宫内膜癌，深度学习，生物标志物，生物信息学分析，UCEC利益冲突：无宣布的资金：这项研究得到了Shahid Beheshti医学科学大学的资助和支持。*这项工作已根据CC BY-NC-SA 4.0许可发布。版权所有©伊朗医学科学大学引用本文的引用：Valizadeh Laktarashi H，Rahimi M，Rahimi M，Abrishamifar K，Mahmoudabadi A，Nazari E.使用生物学信息和机器学习对子宫中重要的诊断基因的鉴定。Med J Islam Repub伊朗。2025（1月6日）; 39：4。 https://doi.org/10.47176/mjiri.39.4