XiaoMi-AI文件搜索系统
World File Search System于脑
用于脑电图解码的深度黎曼网络
摘要：目前，脑电图 (EEG) 解码任务中的最佳性能通常通过深度学习 (DL) 或基于黎曼几何的解码器 (RBD) 实现。最近，人们对深度黎曼网络 (DRN) 的兴趣日益浓厚，它可能结合了前两类方法的优势。然而，仍然有一系列主题需要额外的洞察力，为 DRN 在 EEG 中的更广泛应用铺平道路。这些包括架构设计问题，例如网络大小和端到端能力。这些因素如何影响模型性能尚未探索。此外，尚不清楚这些网络中的数据是如何转换的，以及这是否与传统的 EEG 解码相关。我们的研究旨在通过分析具有广泛超参数的 EEG DRN，为这些主题领域奠定基础。在五个公共 EEG 数据集上测试了网络，并与最先进的 ConvNets 进行了比较。在这里，我们提出了端到端 EEG SPDNet（EE(G)-SPDNet），并且我们表明这种宽的端到端 DRN 可以胜过 ConvNets，并且在这样做时使用生理上合理的频率区域。我们还表明，端到端方法比针对 EEG 的经典 alpha、beta 和 gamma 频带的传统带通滤波器学习更复杂的滤波器，并且性能可以从特定于通道的滤波方法中受益。此外，架构分析揭示了进一步改进的地方，因为整个网络可能未充分利用黎曼特定信息。因此，我们的研究展示了如何设计和训练 DRN 以从原始 EEG 推断与任务相关的信息，而无需手工制作的滤波器组，并强调了端到端 DRN（如 EE(G)-SPDNet）用于高性能 EEG 解码的潜力。
新闻稿 2024 年 11 月 7 日 uPAR-PET 治疗脑癌患者的临床 II 期试验结果公布；数据支持开发用于脑癌的 uTREAT
审阅期刊 EJNMMI Research 哥本哈根，丹麦，2024 年 11 月 7 日 - Curasight A/S（“Curasight”或“公司” - 股票代码：CURAS）今天宣布，研究者发起的 uPAR-PET 在脑癌中的 II 期研究已经发表。研究者发起的临床试验测试了 68 Ga-NOTA-AE105 uPAR-PET/MR 在胶质瘤患者（最常见的原发性脑癌）中的应用，该试验的口头报告于 2023 年报告，现已发表在科学期刊 EJNMMI Research 上。在哥本哈根 Rigshospitalet 进行的前瞻性 II 期试验研究了 uPAR-PET 与 68Ga-NOTA-AE105 (uTRACE) 对 24 名原发性胶质瘤患者的预后价值。此外，该研究分析了 uPAR-PET 阳性患者的比例，以估计未来治疗的潜在候选人数量uPAR 靶向放射配体治疗 (uTREAT)。24 名患者中，16 名 (67%) 被诊断为 WHO 4 级胶质瘤，6 名 (25%) 为 3 级，2 名 (8%) 为 2 级。几乎所有 (94%) 的 4 级胶质瘤 (胶质母细胞瘤) 均为 uPAR-PET 阳性。中位随访时间为 18.8 (2.1–45.6) 个月，19 名患者病情进展，14 名患者死亡。uPAR 表达分为高和低，结果显示高 uPAR 组的总生存期 (OS) 和无进展生存期预后明显较差，风险比分别为 14.3 (95% CI, 1.8-112.3; P=0.011) 和 26.5 (95% CI, 3.3–214.0; P=0.0021)。作者总结道：“大多数胶质瘤患者和几乎所有 4 级胶质瘤患者均出现 uPAR 阳性病变”，并且“uPAR 高表达与患者较差的生存结果显着相关。”完整文章可在此处免费下载：https://rdcu.be/dYyDG “我们对完成的脑癌 II 期研究感到非常兴奋，其明确的结果强调了 uTRACE 和 uTREAT 在脑癌和胶质母细胞瘤中的相关性。重要的是，94% 的胶质母细胞瘤为 uPAR 阳性这一发现令人鼓舞，有利于在这些患者中广泛使用 uTREAT。”首席执行官 Ulrich Krasilnikoff 表示。“如果我们将之前报告的 uTREAT 在
嵌合抗原受体T细胞治疗实体瘤的淋巴结蛋白：专注于脑肿瘤
嵌合抗原受体（CAR）-T细胞疗法在血液学恶性肿瘤中表现出显着的功效，正在扩展到包括脑部在内的难治性实体瘤的治疗。淋巴结序（LD）是一个必不可少的预处理过程，通过促进CAR-T细胞的扩张和体内持久性来增强CAR-T功效，并已成为血液学癌症的标准方案。CAR-T治疗对实体瘤的最新临床结果，包括脑肿瘤，表明环磷酰胺/基于氟达拉滨的预处理具有潜在的好处，并且正在实体瘤CAR-T试验中逐渐被采用。此外，一些针对固体TUMOR的CAR-T试验正在尝试开发专门针对实体瘤的LD方案，这与血液学癌症中使用的标准LD方案不同。相比之下，针对脑肿瘤的CAR-T治疗经常在肿瘤或脑脊液中使用局部重复给药，与其他实体瘤相比，LD的使用频率较低。然而，一些临床研究表明，LD仍可能为CAR-T扩展和全身性CAR-T给药的临床反应改善提供潜在的好处。本综述中提出的研究表明，尽管LD可以有益于提高CAR-T效力，但必须考虑其与CAR-T给药途径的兼容性，基于CAR-T结构特征的潜在过度激活以及在正常器官中的靶标表达。此外，鉴于脑部TUMOR的独特特征，可能需要优化的LD剂选择以及剂量和方案，从而突出了进一步研究的需求。
EEG-Deformer：用于脑机接口的密集卷积变换器
摘要 — 有效学习脑电图 (EEG) 信号中的时间动态具有挑战性，但对于使用脑机接口 (BCI) 解码大脑活动至关重要。尽管 Transformers 因其长期顺序学习能力在 BCI 领域广受欢迎，但大多数将 Transformers 与卷积神经网络 (CNN) 相结合的方法都无法捕捉 EEG 信号从粗到细的时间动态。为了克服这一限制，我们引入了 EEG-Deformer，它将两个主要的新组件合并到 CNN-Transformer 中：(1) 分层粗到细 Transformer (HCT) 块，将细粒度时间学习 (FTL) 分支集成到 Transformers 中，有效辨别从粗到细的时间模式；(2) 密集信息净化 (DIP) 模块，利用多级、净化的时间信息来提高解码准确性。对三项代表性认知任务（认知注意力、驾驶疲劳和心理负荷检测）进行的全面实验一致证实了我们提出的 EEG-Deformer 的通用性，表明它的表现优于或与现有的最先进方法相当。可视化结果表明，EEG-Deformer 从神经生理学上有意义的大脑区域学习相应的认知任务。源代码可在 https://github.com/yi-ding-cs/EEG-Deformer 找到。
FBCNet：用于脑机接口的多视图卷积神经网络
摘要 — 缺乏足够的训练样本和嘈杂的高维特征是基于脑电图 (EEG) 的脑机接口 (BCI) 的运动想象 (MI) 解码算法面临的主要挑战。为了应对这些挑战，受 MI 的神经生理特征的启发，本文提出了一种用于 MI 分类的新型滤波器组卷积网络 (FBCNet)。FBCNet 采用多视图数据表示，然后进行空间滤波以提取光谱空间判别特征。这种多阶段方法即使在训练数据有限的情况下也能有效地训练网络。更重要的是，在 FBCNet 中，我们提出了一种新的方差层，可以有效地聚合 EEG 时域信息。通过这种设计，我们在四个 MI 数据集上将 FBCNet 与最先进的 (SOTA) BCI 算法进行了比较：BCI 竞赛 IV 数据集 2a (BCIC-IV-2a)、OpenBMI 数据集和两个来自慢性中风患者的大型数据集。结果表明，通过实现 76.20% 的 4 类分类准确率，FBCNet 为 BCIC-IV-2a 数据集设定了新的 SOTA。在其他三个数据集上，FBCNet 的二分类准确率提高了 8%。此外，我们使用可解释的 AI 技术提供了第一份关于健康受试者和中风患者之间判别性 EEG 特征差异的报告。此外，FBCNet 源代码可在 https://github.com/ravikiran-mane/FBCNet 上找到。
BGF-YOLO：增强的Yolov8具有多尺度注意特征融合用于脑肿瘤检测
摘要。您只看一次（YOLO）的对象探测器显示出显着的自动脑肿瘤检测精度。在本文中，我们通过结合双级路由关注，广义特征金字塔网络和第四个检测到Yolov8的探测来开发一种新型的BGF-Yolo架构。bgf-yolo包含一种注意机制，可以通过将高级半智能特征与空间细节合并，以更多地关注重要特征，并具有金字塔网络来丰富特征表示。此外，我们研究了不同注意力机制和特征融合的影响，检测脑肿瘤检测准确性的检测头构造。实验结果表明，与Yolov8x相比，BGF-Yolo的MAP 50绝对增加4.7％，并且在脑肿瘤检测数据集BR35H上实现了最先进的地图。该代码可在https://github.com/mkang315/ bgf-yolo上找到。
较高的视觉功能缺陷独立于脑视觉障碍儿童的视觉敏锐度度量
脑视觉障碍（CVI）是儿童双边视觉障碍的主要原因，通常以视觉敏锐度（VA）损失（VA）丢失和较高的视觉功能缺陷（HVFD）为特征。但是，VA损失与HVFD之间的关系仍然未知。先前使用较高视觉函数问题清单（HVFQI）的研究表明，正常的VA并未排除HVFD。在这项对CVI儿童的前瞻性对照研究中，我们研究了HVFD和VA损失程度之间的关系，以完善我们对这种关系的理解。我们介绍了两个新指数 - HVFD频谱和严重性 - 以全面了解CVI如何影响单个孩子和整个队列。我们还进行了分析，以确定HVFQI在引发HVFD的有效性，并对HVFD与年龄之间的关系进行初步分析。研究参与者包括59名CVI儿童（年龄：9.87±3.93岁[平均±SD]；双眼VA：0.35±0.34 log Mar。）和120个具有正常视力的神经型（NT）儿童（年龄：8.7±2.8岁；双眼VA：0.14±0.16 logmar）。临床病史和注释独立证实了CVI的诊断。父母接受了HVFQI的采访，并使用五级李克特量表记录了他们的回答。Mann - Whitney U-Test（MWU）确定了HVFQI区分CVI和NT参与者的能力；费舍尔的精确测试（FET）和D-可变性的希尔伯特 - 西米特独立标准（DHSIC）评估了HVFDS和VA之间的独立性。使用DHSIC分析支持这些发现（P -Value 0.784）。CVI（频谱：0.65±0.24，严重程度：3.1±0.77）和NT（频谱：0.12±0.17，严重性：1.42±0.49）的平均光谱（范围0-1）和严重程度（范围1-5）指标（0.65±0.24，严重程度：3.1±0.77）。mwu（p -value <0.00001）证实了HVFQI将CVI与NT儿童区分开的能力。FET报告的p值为0.202，这表明数据在HVFDS的严重程度与VA之间没有任何关系。基于这些结果，我们敦促除了VA措施外，还需要对HVFD的所有怀疑CVI的儿童进行评估。HVFQI可能会增加我们对视觉感知，认知和视觉指导作用的神经基础的理解，并带领我们朝着CVI的概念模型迈进，转化为临床实践改进。
e-Flower：用于脑球体电生理学的水凝胶驱动 3D MEA
传统微电极阵列 (MEA) 仅限于测量二维电生理活动，无法捕捉三维 (3D) 组织（如神经类器官和球体）的复杂性。在这里，我们介绍了一种花形 MEA（e-Flower），它只需添加细胞培养基即可驱动，包裹亚毫米级的脑球体。受软微夹钳的启发，它的驱动机制利用了嫁接到承载电互连的聚酰亚胺基板上的聚丙烯酸水凝胶的溶胀特性。e-Flower 与标准电生理记录系统兼容，不需要额外的设备或溶剂，可与预先形成的 3D 组织一起使用。我们设计了一种 e-Flower，可在几分钟内实现低至 300 微米的曲率，该值可通过选择溶胀介质和水凝胶交联剂浓度进行调整。此外，我们展示了 e-Flower 检测整个球体表面自发神经活动的能力，证明了其全面记录神经信号的潜力。
慢性病毒基因治疗用于脑肾上腺肾上腺素疾病
在NEJM.org，由调查员，疾病专家以及独立的数据和安全监测委员会的监督和投入。该协议得到了必要的规范当局和机构伦理委员会的批准。该研究是根据赫尔辛基宣布中概述的道德原则进行的。独立的数据和安全监控委员会审查了数据。employees有助于研究设计；数据的收集，分析和解释；和制造文字的写作。所有的作者都收集了所有作者，并可以访问研究数据并保证数据的完整性和准确性，研究对协议的保真度以及对Ad-verse事件的最新报告。协议中提供了有关研究设计的其他详细信息。
基于脑结构变化的可解释张量多任务集成学习用于阿尔茨海默病动态预测
摘要 目的：用于预测阿尔茨海默病 (AD) 进展的机器学习方法可以极大地帮助研究人员和临床医生制定有效的 AD 预防和治疗策略。方法：本研究提出了一种利用多任务集成学习方法预测 AD 进展的新型机器学习算法。具体来说，我们提出了一种基于脑生物标志物时空变异性相似性测量的新型张量多任务学习 (MTL) 算法来模拟 AD 进展。在该模型中，张量中每个患者样本的预测被设置为一个任务，其中所有任务共享一组通过张量分解获得的潜在因子。此外，由于受试者具有连续的脑生物标志物测试记录，因此该模型被扩展为利用梯度增强核集成受试者的时间连续预测结果以找到更准确的预测。结果：我们利用阿尔茨海默病神经影像学计划 (ADNI) 的数据进行了广泛的实验，以评估所提出的算法和模型的性能。结果表明，与基准和最先进的多任务回归方法相比，该模型在简易精神状态检查表 (MMSE) 问卷和阿尔茨海默病评估量表-认知分量表 (ADAS-Cog) 认知分数方面预测 AD 进展具有更高的准确性和稳定性。结论：脑生物标志物关联信息可用于识别个体脑结构的变化，该模型可用于通过磁共振成像 (MRI) 数据和不同阶段 AD 患者的认知分数有效地预测 AD 的进展。索引词——阿尔茨海默病、多任务学习、脑生物标志物时空相关性、张量分解、梯度提升集成学习。临床和转化影响声明：该模型利用磁共振成像数据计算患者不同阶段的认知分数来预测和诊断 AD 进展。实验中揭示的重要脑生物标志物关联信息可作为早期识别 AD 的潜在指标。