XiaoMi-AI文件搜索系统
World File Search Systemepilepsy
YWHAG相关癫痫患者的临床和分子表征
Citera 1 |泰兹1 |节日笔记2.3 |海军陆战队4.5 | Laura Lichetta 6 |佛罗伦萨·里卡迪克7.8 | 5月1日| Hon-Yin B. Chung 9 |代理人的交叉10.11.12 |湖湖13.14 | Danel H. Lowenstein 15 | MildaEndzineė16|主要17 | Nathaleeuve 18 |朱莉娅·雅各布斯19 |更好的ISSIDE 20.21 | Solazzi Rober 22 | Nicolette S.在Hollander 23 | Drajanovic 24 | Christille Rougeot-All 25 |荣格26 | Marison Lesieur-Subelly 27 | Andres YouT 28.29 | Salpiez 30 30 | W.章说31.32 |选举26 | Thomas Foeadeli 33.34 | Sylvia Redvia 35.36.37 | Men-Han事务38.39 | Frances是6.40 | Trine B. div> 快乐12 | James R. Lupski是4.41.42.43 | parni 1 | Gerrini的Renhi 1.44 |代表先生。Citera 1 |泰兹1 |节日笔记2.3 |海军陆战队4.5 | Laura Lichetta 6 |佛罗伦萨·里卡迪克7.8 | 5月1日| Hon-Yin B. Chung 9 |代理人的交叉10.11.12 |湖湖13.14 | Danel H. Lowenstein 15 | MildaEndzineė16|主要17 | Nathaleeuve 18 |朱莉娅·雅各布斯19 |更好的ISSIDE 20.21 | Solazzi Rober 22 | Nicolette S.在Hollander 23 | Drajanovic 24 | Christille Rougeot-All 25 |荣格26 | Marison Lesieur-Subelly 27 | Andres YouT 28.29 | Salpiez 30 30 | W.章说31.32 |选举26 | Thomas Foeadeli 33.34 | Sylvia Redvia 35.36.37 | Men-Han事务38.39 | Frances是6.40 | Trine B. div>快乐12 | James R. Lupski是4.41.42.43 | parni 1 | Gerrini的Renhi 1.44 |代表先生。
巴西研究人员创建与严重癫痫相关的脑畸形的细胞图谱
“利用先进的基因组技术，我们获得了这种脑畸形的细胞视图，因此获得了极其详细的视图。我们发现这些患者皮层中存在深刻的细胞变化，包括上层神经元的丢失，以及病变中未成熟的星形胶质细胞和小胶质细胞群的扩增以及与炎症有关。该细胞图谱对于理解机制和寻找可以针对已识别细胞的特定疗法非常重要，”计算生物学家 Diogo Veiga 解释说，他是本文的通讯作者。
一种机器学习方法探索颞内侧癫痫患者的认知特征
我们旨在通过使用 SVM（支持向量机）和 XGBoost（极限梯度提升）机器学习（ML）算法，识别内侧颞叶癫痫 (mTLE) 患者关于其癫痫侧化（左侧或右侧）的认知特征（表型）。具体而言，我们探索了这两种算法识别区分左侧和右侧 mTLE 患者的最显著分数（ML 术语中的特征）的能力。我们的数据集有两个版本，包括神经心理学测试分数：一个“精简和工作”版本（n = 46 名患者），没有任何缺失数据，另一个“原始”版本（n = 57），有缺失数据，但可用于测试使用工作数据集获得的结果的稳健性。重点放在采用预防性机器学习（ML）方法进行分类，以获得可重复和可推广的结果。还研究了几个临床医学变量的影响。使用两个版本的数据集，我们获得了左侧和右侧 mTLE 的出色预测分类性能（ > 75％）。最具分离性的特征是四项语言和记忆测试，其稳定性接近 100％。因此，这些认知测试似乎与患者的神经心理学评估高度相关。此外，海马回之间的结构不对称、患者年龄和抗癫痫药物数量等临床变量都会影响认知表型。这项探索性研究对认知分数进行了深入分析，并可以观察到语言和记忆表现之间有趣的相互作用。我们从临床和理论应用以及神经心理学领域的观点的角度讨论了这些发现的意义。
在家中，脑电图和智力残障人士的脑电图监测技术：范围评论
这项工作是根据创意共享归因于非商业化衍生作品4.0国际许可证的许可。一般权利一般权利所有珍珠中的内容均受版权法保护。根据发布者政策提供作者手稿。请仅使用项目记录或文档中提供的详细信息引用发布的版本。在没有公开许可证的情况下（例如Creative Commons），应从出版商或作者那里寻求进一步重用内容的许可。取消策略取消政策，如果您认为本文档违反版权，请联系提供详细信息的图书馆，我们将立即删除对工作的访问并调查您的索赔。遵循以下工作：https：//pearl.plymouth.ac.uk/nm-research
梨状皮质切除术治疗颞叶癫痫
摘要背景：梨状皮质 (PC) 占据内嗅沟的两侧，在颞叶癫痫 (TLE) 的病理生理学中起着重要作用。最近的一项研究表明，切除超过 50% 的 PC 可使癫痫发作的几率增加 16 倍。目的：我们报告了手动分割 PC 的可行性以及将测地线信息流 (GIF) 算法应用于自动分割以指导切除。方法：由两名盲法独立检查者对 60 名 TLE 患者（55% 为左 TLE，52% 为女性）进行 PC 手动分割，中位年龄为 35 岁（IQR，29 – 47 岁）和 20 名对照者（60% 为女性）进行 PC 手动分割，中位年龄为 39.5 岁（IQR，31 – 49 岁）。 GIF 算法用于创建分割 PC 的自动化管道，用于指导颞叶癫痫颞叶切除术中的切除。结果：患者和对照组的右侧 PC 较大。PC 分割用于指导前颞叶切除术，随后癫痫发作消失，视野或语言障碍消失。结论：可靠的 PC 分割是可行的，可以前瞻性地应用于指导神经外科切除术，从而增加颞叶癫痫颞叶切除术获得良好结果的机会。
评估区域内的机器学习算法的普遍性，以鉴定低资源环境中的癫痫
1牛津癫痫研究小组，纳菲尔德临床神经科学系，约翰·拉德克利夫医院，牛津，英国牛津，2，牛津数字健康实验室，纳菲尔德妇女和生殖健康系，牛津大学，约翰·拉德克利夫大学，约翰·拉德克利夫大学，牛津大学，牛津大学，牛津，英国牛津，英国牛津，3 kemri/well well of Corvey killif sken kily ken ken ken.人口监测系统（种子）癫痫流行病学 - 阿克拉，加纳的区分网络，加纳5号公共卫生系，普瓦尼大学，肯尼亚基利比市，肯尼亚基利比市，六汉纳罗比6号人口健康系，肯尼亚，肯尼亚，肯尼亚尼罗比大学，肯尼亚，7台，儿童卫生部，肯尼亚7号。坦桑尼亚，肯尼亚内罗毕大学数学系9，肯尼亚内罗毕大学，加纳Kintampo 10 Kintampo Health Research Center 10，HO卫生研究所和盟军科学研究所。Ghana，12 MRC/WITS农村公共卫生和健康转型研究部（Agincourt），公共卫生学院，卫生科学学院，南非约翰内斯堡，威特沃特斯堡大学，南非约翰内斯堡，13个发展神经科学，13个发展神经科学，伦敦大学NIHR BRC BRC Greatmond ofders Syertion，United Kirge Service，United Kirtil King Domil，Uister Kirtic＆Serkity，United Kirtil King Domin，United Kirdic＆14伦敦神经病学癫痫中心神经病学，查尔范·圣彼得，英国15，塞皮氏丝菌Instellingen Nederland，荷兰海姆斯特德，荷兰，西九岛，西丘德大学16号神经病学系，中国校长，乔治大学，伦敦，国王，国王，国王，国王，校园，校园，纽约市17号。Ghana，12 MRC/WITS农村公共卫生和健康转型研究部（Agincourt），公共卫生学院，卫生科学学院，南非约翰内斯堡，威特沃特斯堡大学，南非约翰内斯堡，13个发展神经科学，13个发展神经科学，伦敦大学NIHR BRC BRC Greatmond ofders Syertion，United Kirge Service，United Kirtil King Domil，Uister Kirtic＆Serkity，United Kirtil King Domin，United Kirdic＆14伦敦神经病学癫痫中心神经病学，查尔范·圣彼得，英国15，塞皮氏丝菌Instellingen Nederland，荷兰海姆斯特德，荷兰，西九岛，西丘德大学16号神经病学系，中国校长，乔治大学，伦敦，国王，国王，国王，国王，校园，校园，纽约市17号。
对阿尔茨海默病患者大脑的转录组分析确定了失调的癫痫致病基因 Abdallah M. Eteleeb 1,2¶ , Suélen Sa
对阿尔茨海默病患者大脑的转录组分析发现了导致癫痫的失调基因 Abdallah M. Eteleeb 1,2¶ 、Suélen Santos Alves 3¶ 、Stephanie Buss 5,6 、Mouhsin Shafi 5,6 、Daniel Press 5,6 、Norberto Garcia-Cairasco 3,4 、Bruno A. Benitez 5,6¶ * 1 美国密苏里州圣路易斯华盛顿大学精神病学系。 2 美国密苏里州圣路易斯华盛顿大学查尔斯 F. 和乔安妮奈特阿尔茨海默病研究中心 3 巴西圣保罗大学里贝朗普雷图医学院（FMRP-USP）神经科学与行为科学系。 4 巴西圣保罗大学里贝朗普雷图医学院 (FMRP-USP) 生理学系。5 美国马萨诸塞州波士顿贝斯以色列女执事医疗中心神经病学系 6 美国马萨诸塞州波士顿哈佛医学院 * 通讯作者：电子邮件：bbenitez@bidmc.harvard.edu ¶ 共同作者
反卷积网络在癫痫检测中的特征可解释性应用
大脑中不规则的电活动会导致人的行为、运动、感官体验和对周围环境的意识发生深刻而暂时的变化（Nasiri 和 Clifferd，2021 年）。在早期阶段识别和治疗癫痫对患有这种疾病的人来说可以带来关键而有价值的变化。头皮脑电图 (EEG) 是一种测量大脑电活动的非侵入性技术，是诊断癫痫的广泛使用的补充检查（Liang 等人，2020 年）。在癫痫发作期间，患者的脑电图将显示出明显的异常模式（Staba 等人，2014 年）。医生可以通过检查脑电图来帮助确定是否发生癫痫。然而，审查长期脑电图需要医生投入大量的时间和精力。因此，开发自动癫痫检测算法至关重要（Si 等人，2023 年）。研究人员正积极致力于开发利用脑电图数据自动检测癫痫发作的方法。从最初使用硬件电路的尝试到后来利用时域信息和基于阈值的方法进行癫痫发作检测。后续发展涉及使用频域特征和提取时频特征（Xia 等人，2015 年）进行癫痫发作检测。自引入以来，深度学习模型在计算机视觉任务中比手动提取的特征更具弹性（Chen 等人，2024 年）、语音识别（Eris and Akbal，2024 年）和自然语言处理（Luo 等人，2024 年）。因此，利用深度学习技术自动使用脑电图信号检测癫痫发作已显示出在做出最合适和最快临床决策方面具有重大前景（Ahmad 等人，2023 年）。近几年来，各种深度学习模型已用于癫痫发作检测，包括循环神经网络（Tuncer 和 Bolat，2022 年）、生成对抗网络（Rasheed 等人，2021 年）、深度神经网络（Liu 和 Richardson，2021 年）、分层神经网络（Hu 等人，2021 年）和卷积神经网络。这些模型取得了令人鼓舞的结果（Kaur 等人，2022 年）。卷积网络在逐像素进行端到端训练后，性能得到了进一步提升。随着全卷积网络 (FCN) 的引入，神经网络设计可以处理不同大小的输入，并通过高效的推理和学习机制产生相应大小的输出（Chou 等人，2023 年）。然而，FCN 尚未广泛应用于癫痫发作检测。同时，以往的深度学习算法往往忽略了不同通道对分类任务的贡献，导致模型的可解释性有限。针对上述问题，本文提出了一种基于深度学习的独立癫痫检测算法。算法可以从多通道脑电图数据中自主提取时间和空间信息，从而能够精确识别不同患者的癫痫发作事件。本文做出了几个关键贡献，包括：λ 提出了一种结合 SE（挤压和激励）模块的 CNN 模型检测算法。该方法已在 CHB-MIT 数据集上进行了评估，并取得了优异的性能。λ 首次将 FCN 模型中的上采样方法应用于癫痫发作检测，通过利用反卷积实现，将降尺度的图像从
儿童期与癫痫相关的多基因风险与脑形态之间的关联
和ssocations bepilepsy-多基因在Childhod Alexander Ngo 1.2，Lang Liu 1.3，Larivière4，Larivière4，Larivière4，Serea Fett 1.2，Serea Fett 1.2，Clara F. Weber 1,5,6，Jessica Royer 14.2，Maria y. y.ariio y。 15，路易斯·康查16，西蒙·S·23：25，帕特里夏·戴斯蒙德·雷塔·索尔塔尼亚·扎德331，加文·温斯顿39,40，西奥多·鲁伯41,42,43，托比亚斯·鲍尔，托比亚斯·鲍尔，50,51，50,51，约翰·S·邓肯33,34，33,34，Paul M.Thops M.Thompson 52，1.2，32，32,3,2,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3 ,，A. Carr 54, Gianpiero L. Cavalleri 56.58, Esmaeil Davooti-Bojd 59, Norman Delandy 56.58, Chantal Depont 60, Colin P. Doherty 58.61, Martin Domin 62, Sonya Foley 40, Aoife Griffin 35, Graeme D. Jackson 63, Erik Kaestner 51, Magdalena, Magdalena Kowalczyk 63，Angelo Labate 64，Soenke Langner 65，Mario Mascalchi 66，Mario Mascalchi 66，Pascal Martin 23，Mark P. Richardson 55，Christian Rummel 67，Mira Semmelroch 63，Mira Semmelroch 63，Mariasavina Severino 45 Felix 46，Felx。 von Podewills 69，Sjoerd B. Vos 33.34.70，Christopher D. Whelan 56，Roland Wiest 67和Junsong Zhang 71A. Carr 54, Gianpiero L. Cavalleri 56.58, Esmaeil Davooti-Bojd 59, Norman Delandy 56.58, Chantal Depont 60, Colin P. Doherty 58.61, Martin Domin 62, Sonya Foley 40, Aoife Griffin 35, Graeme D. Jackson 63, Erik Kaestner 51, Magdalena, Magdalena Kowalczyk 63，Angelo Labate 64，Soenke Langner 65，Mario Mascalchi 66，Mario Mascalchi 66，Pascal Martin 23，Mark P. Richardson 55，Christian Rummel 67，Mira Semmelroch 63，Mira Semmelroch 63，Mariasavina Severino 45 Felix 46，Felx。 von Podewills 69，Sjoerd B. Vos 33.34.70，Christopher D. Whelan 56，Roland Wiest 67和Junsong Zhang 71
源自riluzole的新型萘基取代的氨基硫唑防止颞叶癫痫大鼠模型中的急性神经兴奋性损伤
结果：当在KA之前进行施用时，SKA-378（30mg/kg）并不能阻止癫痫持续状态（SE），但在3D后仍能阻止海马和其他边缘区域的神经损伤。在KA诱导的SE后1小时给予SKA-379，SKA-378，SKA-377，SKA-41或RILUZOLE时，也会减弱易受伤害的海马兴奋性（CA3/CA1）的神经损伤和抑制（HIRAR）神经元的神经元。对SKA-378和Riluzoles在体外运输阻滞的动力学分析表明，抑制是通过非竞争性的间接机制发生的。While sodium channel NaV1.6 antagonism blocks activity-regulated MeAIB transport and SKA- 378 is the most potent inhibitor of NaV1.6 (IC50=20µM) compared to NaV1.2 (IC50=118µM) in vitro , pharmacokinetic analysis suggests sodium channel blockade may not be the predominant mechanism of neuroprotection by these compounds in vivo .