XiaoMi-AI文件搜索系统
World File Search Systemdementia
使用可解释的 MRI 机器学习算法 MUQUBIA 对神经退行性痴呆症进行鉴别诊断
基于生物标志物对最常见痴呆症形式的鉴别诊断变得越来越重要。机器学习 (ML) 可能能够应对这一挑战。本研究的目的是开发和解释一种 ML 算法，该算法能够根据社会人口统计学、临床和磁共振成像 (MRI) 变量区分阿尔茨海默氏痴呆、额颞叶痴呆、路易体痴呆和认知正常对照受试者。包括来自 5 个数据库的 506 名受试者。使用 FreeSurfer、LPA 和 TRACULA 处理 MRI 图像以获得脑体积和厚度、白质病变和扩散指标。MRI 指标与临床和人口统计数据结合使用，以基于称为 MUQUBIA（脑白质生物标记物多模态量化）的支持向量机模型进行鉴别诊断。年龄、性别、临床痴呆评分 (CDR) 痴呆分期工具和 19 个成像特征构成了最佳的判别特征集。该预测模型在测试组中的总体曲线下面积为 98%，总体精度 (88%)、召回率 (88%) 和 F1 分数 (88%) 较高，在神经病理学评估患者子集中的标签排名平均精度得分 (0.95) 较高。MUQUBIA 的结果通过 SHapley Additive exPlanations (SHAP) 方法进行解释。MUQUBIA 算法使用具有成本效益的临床和 MRI 信息成功地对各种痴呆症进行了良好的分类，并且通过独立验证，有可能协助医生进行临床诊断。
研究文章一项磷酸二酯酶5抑制剂使用和阿尔茨海默氏病的病例对照研究和男性和女性患者的痴呆症
目前只有六种FDA批准的治疗阿尔茨海默氏病（AD）：Cho-linestrase抑制剂（多酮二酮，甘坦明和利氏菌），一种N-甲基-D-天冬氨酸受体受体拮抗剂（美体）和两种抗氨基氨基抗体（Ad-Anti-Antibamybood抗体）（Ad-d-Appartate）和3个抗氨基抗体（3）。然而，对胆碱酯酶抑制剂和美灵的临床研究充其量仅证明，仅在认知方面只有适度的统计益处，这可能不会转化为日常生活中患者和看护者的有意义的好处[4，5]。此外，这些药物可以具有许多剂量依赖性副作用，从而限制了它们的耐受性[6，7]。抗体疗法已获得FDA的批准，基于有限的数据降低其利益，这已受到广泛的批评[8-13]。lecanemab随机，在临床痴呆评级上的随机，受控的，第三阶段的清晰度AD试验后，FDA得到了全面的批准，该试验的平均益处仅为0.45点，而安慰剂的平均益处是盒子量表，痴呆症的痴呆症比例从0（正常）到18个月（严重的痴呆症），在18个月（严重的痴呆症）中，患有AD的患者的痴呆量。这种益处的大小可能在临床上无法察觉到患者和护理人员[16]。此外，卵巢单抗组的副作用较大，包括与淀粉样蛋白相关的成像异常（ARIA），具有脑微感染或血压质蛋白沉积物（14.0％对7.7％），ARIA，具有大脑水肿或积压的脑含量（12.6％vers 1.7％），并发率为7％，并及时（26％），并及时（26.26.4％）。终止试验代理（6.9％和2.9％）。由于可能的包含偏见，不闪烁和两组之间的可变辍学率，也对清晰度AD试验的内部和外部有效性也受到了质疑[16]。第三种单克隆抗体Donanemab被FDA拒绝了加急批准途径，因为在Eli Lilly的2期临床试验中服用该药物12个月的患者样本量不足[17]。应对这种批评，Eli Lilly最近发表了评估Donanemab的疗效的随机，受控的3期开拓者-Alz 2试验的结果，该试验在76周内CDR-SB量表上的AD进展平均降低了0.67点。这与清晰度AD试验中的LeCanemab相似[18]。在开拓者-Alz 2中证明了类似的副作用与Clarity AD试验中相似。此外，对于许多患者而言，FDA批准的单克隆抗体的年度成本（aducanumab的$ 28,000，李卡纳姆单抗$ 56,000）的费用是高昂的，并且没有人相信Donanemab将会大得多[9，12]。因此，迫切需要迅速开发，测试和批准负担得起的和可容忍的药物来治疗广告，通过预防或减慢疾病进展，可以对患者和看护人表现出有意义的好处。最近，由于已经建立了药物的安全性[19，20]，因此已经推动研究重新利用现有的FDA批准药物来治疗和/或预防AD。磷酸二酯酶抑制剂是一种类型的药物。磷酸二酯酶5抑制剂（PDE5I）西地那非和他达拉非属抑制剂属于一类药物，由于其血管舒张特性，最初是作为降压药和抗高级药物开发的。然而，它们已被FDA批准其他几种迹象：勃起功能障碍（ED），良性前列腺增生（BPH）和肺动脉高压（PHTN）[21]。在二十多年来，鼠模型中PDE5I的临床前功能研究表明，学习和记忆方面有希望的好处。这些研究对PDE5I的班级影响提供了支持，以在健康和患病人群中为男性和女性提供多种认知领域的益处[22-34]。然而，在AD研究中使用的临床前模型的结果与人类临床试验的结果之间的历史不一致，这可能是由于各种模型与人类之间蛋白质亚型的区域分布和大脑中的同工型的差异的结果，突出了
皮质灰质的分形维度超过其他大脑MRI特征，作为轻度认知障碍患者过渡到痴呆症的预测指标
方法：有64名MCI和中度至重度白细胞病的参与者在2年内接受了基线MRI检查和年度神经心理学测试。痴呆症的诊断是基于既定标准。我们评估了基线时人口统计学，神经心理学和几种MRI特征，作为临床转变的预测因素。MRI功能包括视觉评估的MRI特征，例如裂缝，微粒和血管周围空间的数量以及定量MRI特征，例如皮质GM，海马，T 2高强度和脑脑WM的di索指标。此外，我们研究了高级定量特征，例如皮质GM和WM的分形维度（FD），该特征代表了从3D-T 1加权图像得出的组织结构复杂性的指数。为了评估对痴呆症过渡的预测，我们使用Shapley添加说明（SHAP）值采用了基于XGBoost的机器学习系统，以为机器学习模型提供解释性。
基于 MRI 的阿尔茨海默病和额颞叶痴呆的深度分级鉴别诊断
阿尔茨海默病和额颞叶痴呆是神经退行性痴呆的常见形式。这两种疾病的临床病程中都存在行为改变和认知障碍，它们的鉴别诊断有时会给医生带来挑战。因此，专门用于这一诊断挑战的精确工具在临床实践中很有价值。然而，目前的结构成像方法主要侧重于每种疾病的检测，而很少侧重于它们的鉴别诊断。在本文中，我们提出了一种基于深度学习的疾病检测和鉴别诊断方法。我们建议在此应用中使用两种类型的生物标志物：结构分级和结构萎缩。首先，我们建议训练大量 3D U-Nets，以使用结构 MRI 作为输入，在本地确定健康人、阿尔茨海默病患者和额颞叶痴呆患者的解剖模式。该集合的输出是 2 通道疾病坐标图，可以将其转换为临床医生易于解释的 3D 分级图。该双通道疾病坐标图与多层感知器分类器相结合，用于不同的分类任务。其次，我们建议将我们的深度学习框架与基于体积的传统机器学习策略相结合，以提高模型的判别能力和稳健性。经过交叉验证和外部验证，我们基于 3319 个 MRI 的实验表明，与最先进的疾病检测和鉴别诊断方法相比，我们的方法产生了具有竞争力的结果。
单个大脑萎缩的模式和程度可以预测痴呆症发作主要遗传的阿尔茨海默氏病
作者作者Ophir Keret，Adam M. Staffaroni，John M. Ringman，Yann Cobigo，Sheng-Yang M. Goh，Amy Wolf，Amy Wolf，Isabel Elaine Allen，Stephen Salloway，Jastereer Chhatwal，Adam M. Brickman，Adam M. Brickman，Dolly Reyes Reyes J.Bateman，Randal J. Bateman，Randal J.Bateman，Trandal，Tammie L.S.Benzinger, John C. Morris, Beau M. Ances, Nelly Joeseph-Mathurin, Richard J. Perrin, Brian A. Gordon, Johannes Levin, Jonathan Voglein, Mathias Jucker, Christian la Fougere, Ralph N. Martins, Hamid R. Sohrabi, Kevin Taddei, Victor L. Villemagne, Peter R. Schofield, William S. Brooks，Michael Fulham，Colin L. Masters，Bernardino Ghetti，Andrew J. Saykin，Clifford R. Jack，Neill R. Graff- Radford，Michael M. Cash，Ricardo F. Allegri，Patricio Chrem，Su Yi，Su Yi，Bruce L.
2023-25 年痴呆症和脑健康交付计划
积极包容边缘化社区是我们交付计划的一个跨领域主题，因为支持来自所有多元化和少数民族社区的痴呆症患者是每个人的责任。这意味着我们要采取额外措施，确保我们支持或领导的所有项目都更加符合文化背景，更具包容性。
在临床前模型中评估柠檬纳米乳液对阿尔茨海默氏病型痴呆的神经保护活性：认知和神经化学反应的评估
当前针对阿尔茨海默氏病和痴呆症的药理学治疗有其局限性。因此，在这些条件下探索新的和安全的代理至关重要。药用植物及其衍生物已被考虑用于治疗包括阿尔茨海默氏病在内的各种疾病。在这项初步研究中，我们试图通过评估动物模型中的生化和行为反应来评估柠檬味对阿尔茨海默氏病和痴呆症的影响。将大鼠分为不同的组：非手术的非alzheimer大鼠（对照组），阿尔茨海默氏症大鼠用0（ad），1（citral-1）和2 mg/kg（citral-2）和1（n-citral-1）和2 mg/kg（N-Citral-1）和2 mg/kg（N-Citral-2）的Citle nanoem的1（N-Citral-1）和2 mg/kg（Citral-2）。的行为反应，并测量了血浆（FRAP）的脑源性神经营养因子（BDNF），丙二醛（MDA）的浓度。结果表明，与对照组相比，痴呆症导致焦虑和抑郁反应增加以及BDNF和FRAP的浓度降低。然而，与对照组相比，用剂量依赖的方式给予柑橘，涂有乳液，减轻焦虑和抑郁反应以及BDNF和FRAP的浓度增加。基于这些发现，可以得出结论，涂有乳液的柠檬酸通过调节基本的生化因子来治疗痴呆症。有必要进一步的临床研究探索其管理痴呆症患者焦虑和抑郁症的潜力。关键词：抗氧化剂，焦虑，BDNF，柠檬，抑郁症，大鼠这项研究为这些神经退行性疾病的替代和有效治疗开辟了新的可能性。
虚拟脑仿真揭示了神经退行性痴呆中的网络特异性参数
1 Unit of Digital Neuroscience, IRCCS Mondino Foundation, Pavia, Italy, 2 Department of Brain and Behavioral Sciences, University of Pavia, Pavia, Italy, 3 Berlin Institute of Health, Charité – Universitätsmedizin Berlin, Berlin, Germany, 4 Department of Neurology with Experimental Neurology, Charité – Universitätsmedizin Berlin, Corporate Member of Freie Universität柏林和洪堡大学，德国柏林，柏林，5伯恩斯坦重点的国家依赖性和伯恩斯坦计算神经科学中心，柏林，德国，6爱因斯坦神经科学中心柏林，柏林，柏林，德国，德国，德国，7 Einstein Cente di Dio Fatebenefratelli, Brescia, Italy, 9 IRCCS Mondino Foundation, Pavia, Italy, 10 Advanced Imaging and Artificial Intelligence Center, IRCCS Mondino Foundation, Pavia, Italy, 11 University Institute of Advanced Studies (IUSS), Pavia, Italy, 12 Unit of Behavioral Neurology, IRCCS Mondino Foundation, Pavia, Italy, 13 Institut de Neurosciences dessystèmes，Inserm，Ins，Aix Marseille University，Marseille，法国，法国14 NMR研究部，皇后广场多发性硬化症中心，神经素流弹片系，UCL皇后广场神经病学研究所，伦敦皇后广场神经学研究所，英国，英国，DIV>
在英国生物库和Whitehall II队列的痴呆风险评分的发展和验证
抽象背景当前的痴呆症风险评分在始终如一地识别不同年龄和地理位置的处于危险中的个体方面取得了有限的成功。目的我们旨在使用两个同龄人：英国生物库和英国Whitehall II研究，为中年英国人口开发和验证新型痴呆症风险评分。方法，我们将英国生物库队列分为训练（n = 176 611，80％）和测试样本（n = 44 151，20％），并使用了Whitehall II队列（n = 2934）进行外部验证。我们使用Cox Lasso回归来从28个候选预测因子中选择最强的入射痴呆预测指标，然后使用竞争风险回归进行风险评分。调查结果我们的风险评分称为英国生物银行痴呆症风险评分（UKBDRS），包括年龄，教育，痴呆症的父母历史，材料剥夺，糖尿病，中风，抑郁，高血压，高胆固醇，家庭占用和性别的病史。分数在英国生物库测试样本（曲线下（AUC）0.8，95％CI 0.78至0.82）和白厅队列（AUC 0.77，95％CI 0.72至0.81）中具有很强的歧视精度。UKBDR还大大优于最初在澳大利亚同伙（澳大利亚国立大学阿尔茨海默氏病风险指数），芬兰（心血管风险因素，衰老和痴呆症评分）和英国（Dementia风险评分）的其他三个广泛使用的痴呆症风险评分。临床意义我们的风险评分代表了一个易于使用的工具，可以识别英国有痴呆症风险的人。需要进一步的研究来确定其他人群中该分数的有效性。
英国生物库和白厅II同伙的痴呆风险评分的老年精神病学发展和验证
抽象背景当前的痴呆症风险评分在始终如一地识别不同年龄和地理位置的处于危险中的个体方面取得了有限的成功。目的我们旨在使用两个同龄人：英国生物库和英国Whitehall II研究，为中年英国人口开发和验证新型痴呆症风险评分。方法，我们将英国生物库队列分为训练（n = 176 611，80％）和测试样本（n = 44 151，20％），并使用了Whitehall II队列（n = 2934）进行外部验证。我们使用Cox Lasso回归来从28个候选预测因子中选择最强的入射痴呆预测指标，然后使用竞争风险回归进行风险评分。调查结果我们的风险评分称为英国生物银行痴呆症风险评分（UKBDRS），包括年龄，教育，痴呆症的父母历史，材料剥夺，糖尿病，中风，抑郁，高血压，高胆固醇，家庭占用和性别的病史。分数在英国生物库测试样本（曲线下（AUC）0.8，95％CI 0.78至0.82）和白厅队列（AUC 0.77，95％CI 0.72至0.81）中具有很强的歧视精度。UKBDR还大大优于最初在澳大利亚同伙（澳大利亚国立大学阿尔茨海默氏病风险指数），芬兰（心血管风险因素，衰老和痴呆症评分）和英国（Dementia风险评分）的其他三个广泛使用的痴呆症风险评分。临床意义我们的风险评分代表了一个易于使用的工具，可以识别英国有痴呆症风险的人。需要进一步的研究来确定其他人群中该分数的有效性。