XiaoMi-AI文件搜索系统
World File Search System受试者
区域脑体积测量的单受试者分析可能会受到头部尺寸调整方法的强烈影响
抽象目的总颅内体积（TIV）通常是基于MRI的脑容量的滋扰。这项研究比较了两种TIV调整方法在区域大脑体积估计的单个受试者分析中对Z分数的影响。在包含5059 T1W图像的正常数据库中分割了脑脑实质，海马，丘脑和TIV的方法。使用剩余方法或比例方法调整了TIV的区域体积估计值。年龄。TIV和年龄调整后的区域体积转化为Z分数，然后在两种调整方法之间进行比较。在127例多发性硬化症患者中测试了它们对丘脑萎缩检测的影响。结果剩余方法在所有地区删除了与TIV的关联。比例方法导致了方向的转换，而没有相关的关联强度变化。使用剩余方法的生理学间变异性的降低比使用比例方法更大。用残差方法与比例方法获得的z得分之间的差异与TIV密切相关。在5％的受试者中，它大于一个z得分点。用剩余方法比使用比例方法（0.84对0.79），鉴定多发性硬化症患者的TIV和年龄调整后的丘脑体积的ROC曲线下的面积更大。结论在单个受试者分析中，应首选剩余方法进行TIV和基于T1W-MRI的大脑体积估计的年龄调整。
免疫检查点抑制剂诱导的甲状腺功能减退症预测日本受试者的治疗反应
免疫检查点抑制剂（ICI）会导致各种与免疫相关的不良事件（IRAE）。中，甲状腺功能障碍最常在内分泌环境（1）中观察到。在一项队列研究中，有44％的ICI治疗患者出现了某种形式的甲状腺功能减退症，大多数ICI诱导的甲状腺功能障碍是破坏性的甲状腺炎或甲状腺功能减退症（2）。ICI引起的坟墓疾病的频率很低； ICI给药后，约有2％的患者表现出甲状腺毒性（3）。在一项针对恶性黑色素瘤患者的大型队列研究中，接受ICI后出现甲状腺毒性病的患者表现出无效的生存率，但癌症结局与甲状腺功能减退症之间没有相关性（4）。我们对川崎医学院医院接受ICI治疗的466例患者进行了一次单中心回顾性研究，并报告了被诊断为内分泌相关IRAE的患者的生存率明显更高（5）。我们机构中与内分泌相关的IRAE的发生率为25.5％，其中大多数是主要甲状腺功能减退症。在日本患者中，在伴有内分泌相关的IRAE的情况下，平均观察期可能更长，但先前的研究不足以评估IRAE患病率与ICI治疗的效率之间的相关性。这项研究的目的是评估甲状腺功能障碍程度与ICI治疗的效率之间的相关性在评估甲状腺功能的ICI治疗患者中。
每周一次的半卢比特单药治疗在患有Prader-Willi综合征，肥胖和2型糖尿病的年轻受试者中的功效和安全性：病例报告比较分析
重大抑郁症（MDD）的特征是情绪持续持续的较差，利息降低和能量缺乏，患病率很高，复发和残疾率。这是全世界残疾的主要原因（1）。抑郁症在任何年龄都可以发生；但是，在青春期的风险特别高（2）。青少年抑郁症会导致学习成绩下降，社会功能受损，自杀风险增加，药物滥用和成年后的抑郁症复发（2）。目前，具有MDD的青少年会遇到诸如低诊断率和药物治疗结果不佳的挑战（3，4）。青春期抑郁症通常被忽略，这可能与烦躁混淆。此外，它可能表现为无法解释的身体症状，饮食失调，焦虑，行为问题，逃学，学术衰落和滥用药物，进一步使诊断更加复杂（5）。至于治疗，传统的单胺靶向抗抑郁药的发作缓慢（大约2至4周），临床治愈率低，显着残留症状以及复发和功能障碍的风险更高（6）。了解青少年抑郁症的潜在机制对于开发新颖的诊断方法和改善治疗策略以减轻其不良反应至关重要。炎性细胞因子是一类可溶性蛋白，可调节免疫反应，细胞增殖和组织修复（7）。它们在结构和功能上进一步分类为白介素，干扰素，肿瘤坏死因子超家族成员，刺激因子，趋化因子和生长因子。基于它们的作用，细胞因子被分类为促进性，包括白介素-1（IL-1），肿瘤坏死因子因子-Alpha（TNF- A），IL-6和IL-6和IL-12和IL-12和IL-12和抗炎性，包括IL-4，IL-4，IL-4，IL-4，IL-4，IL-10和IL-13。炎症细胞因子的失调与多种疾病有关，包括严重感染
一个新的理论框架共同解释了执行灵活决策的受试者的行为和神经变异性
能够根据上下文信息灵活切换对外部刺激的反应的能力对于与复杂世界的成功互动至关重要。在许多领域1-3中必须进行上下文依赖性计算，但它们的神经实现仍然很少理解。在这里，我们在大鼠中开发了一项新颖的行为任务，以研究上下文依赖性的选择和决策证据的积累4-6。在猴子和大鼠数据支持的假设下，我们首先从数学上显示网络可以通过三个定义组件的组合来解决此问题。可以通过实验数据直接识别和测试这些组件。我们进一步表明，现有的电生理和建模数据与这些组件的各种可能组合兼容，这表明不同的个体可以使用不同的组件组合。为了研究各个受试者的变异性，我们开发了自动化的高通量方法来培训大鼠的任务，并在其上训练了许多受试者。与理论预测，神经和行为分析一致，尽管任务表现均匀，但大鼠均显示了跨大鼠的实质异质性。我们的理论进一步预测了行为和神经信号之间的特定联系，该签名在数据中得到了强有力的支持。总而言之，我们的结果提供了一个新的实验支持的理论框架，以分析执行灵活决策任务的生物学和人工系统中的个体变异性，它们为较高认知的个体变异性研究打开了大门，并提供了对情境依赖性计算的神经机制的见解。
MI-BCI 性能与受试者特定的频带特征相关
* 电子邮件：camille.benaroch@inria.fr 简介：运动想象 (MI) 任务调节 EEG 活动，尤其是在 α 和 β 频带 (8-30 Hz) 中。在 BCI 校准期间，通常使用数据驱动方法来选择这些频带中的特征，而很少考虑由此产生的人类表现。这种方法能达到最佳性能吗？为了回答这个问题，本研究调查了机器学习选择的特定受试者频带的特征（平均频率 (FB-Mean) 和长度 (FB-Length)）与在线 BCI 用户表现之间的关系。
健康受试者的 K757 和 K833 多剂量研究
研究涉及哪些内容？参与者按 3:1 的比例随机分配接受活性药物或安慰剂。在后续每个小组中，在施用下一剂量水平之前，将审查安全性、耐受性和可用的 PK 数据。研究阶段包括筛选（研究药物首次给药前最多 28 天）、治疗和随访期（最后一次给药后约 14 天）。每位参与者的总研究持续时间约为 8 周。通过体检、生命体征评估、12 导联心电图 (ECG)、临床实验室评估（血液化学和血液学生物标志物）和收集不良事件 (AE) 来评估安全性和耐受性。在给药前和第 14 天最后一次给药后最多 72 小时内获取血浆 (血液) 以进行 PK 和 PD 评估。
静息睡眠时间的受试者间和分区间变异性......
a 德国于利希研究中心神经科学与医学研究所（INM-7） b 德国杜塞尔多夫大学海因里希-海涅医学院系统神经科学研究所 c 法国塞尔吉巴黎大学理论与建模实验室，CNRS，UMR 8089，塞尔吉-蓬图瓦兹 cedex 95302 d 德国于利希研究中心于利希超级计算中心（JSC）高级模拟研究所 e 德国于利希研究中心神经科学与医学研究所（INM-1） f 新加坡国立大学睡眠与认知中心、转化磁共振研究中心和 N.1 健康研究所 g 新加坡国立大学电气与计算机工程系 h 美国马萨诸塞州查尔斯顿麻省总医院 Martinos 生物医学成像中心 i 新加坡综合科学与工程项目（ISEP）
LSD和MDMA对健康受试者中纹状体皮质连通性的可分离影响
。cc-by-nc-nd 4.0国际许可证。根据作者/资助者提供了预印本（未经同行评审的认证）提供的，他已授予Biorxiv的许可证，以在2025年2月8日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2025.02.07.637042 doi：Biorxiv Preprint
2021 BEETL 竞赛：推进针对受试者独立性和异构 EEG 数据集的迁移学习
Stylianos Bakas 1 , 2 , 3 stelios@cogitat.io Siegfried Ludwig 1 , 2 siegfried@cogitat.io Konstantinos Barmpas 1 , 2 ntinos@cogitat.io Mehdi Bahri 1 , 2 mehdi@cogitat.io Yannis Panagakis 1 , 2 , 4 yannis@cogitat.io Nikolaos Laskaris 1 , 2 , 3 nikos@cogitat.io Dimitrios A. Adamos 1 , 2 , 3 dimitrios@cogitat.io Stefanos Zafeiriou 1 , 2 stefanos@cogitat.io William C. Duong 5 , 6 wduong@dcscorp.com Stephen M. Gordon 5 , 6 sgordon@dcscorp.com 弗农·J·劳恩 (Vernon J. Lawhern) 6 vernon.j.lawhern.civ@army.mil Maciej ´ Sliwowski 7 , 8 , 9 maciej.sliwowski@opium.sh Vincent Rouanne 7 vincent.rouanne@gmail.com Piotr Tempczyk 9 , 10 piotr.tempczyk@opium.sh 1 Cogitat Ltd.，英国 2 智能行为理解小组，伦敦帝国理工学院，英国 3 塞萨洛尼基亚里士多德大学，希腊 4 雅典国立和卡波迪斯特里安大学，希腊 5 DCS 公司，弗吉尼亚州亚历山大，美国 6 人类研究与工程理事会，DEVCOM 陆军研究实验室，马里兰州阿伯丁试验场，美国 7 大学。格勒诺布尔阿尔卑斯大学，CEA，LETI，Clinatec，F-38000 格勒诺布尔，法国 8 巴黎萨克雷大学，CEA，List，F-91120，帕莱索，法国 9 波兰国家机器学习研究所 (OPIUM)，华沙，波兰 10 deeptale.ai，波兰
功能神经影像多变量组分析的受试者间模式分析。统一的形式化
背景和目的。在医学成像中，群体研究必须克服个体之间存在的差异，以识别可用于诊断目的的不变图像特征。在功能性神经成像中，识别在群体水平上成立的神经编码原理的一个有吸引力的解决方案是受试者间模式分析，即从来自多个受试者的数据中学习预测模型并评估其对新受试者的泛化性能。尽管近年来它越来越受欢迎，但由于文献中明显缺乏正式定义，其广泛采用仍然受到阻碍。在本文中，我们精确介绍了针对功能性神经成像的多变量组分析的受试者间模式分析的第一个原则性形式化。方法。我们建议将受试者间模式分析构建为多源传导传递问题，从而将其置于几个定义明确的机器学习设置中并拓宽可用算法的范围。我们描述了两组使用几个开放数据集的受试者间大脑解码实验：一项涉及 16 名受试者的脑磁图研究和一项涉及 100 名受试者的功能性磁共振成像范例。我们通过进行模型比较来评估我们框架的相关性，其中一个大脑解码模型利用我们的形式化，而其他则不利用。结果。第一组实验证明了使用受试者标准化的大脑解码器与使用其他标准化方案的最先进模型相比具有优越性，证明了我们形式化的传导和多源组件的兴趣第二组实验定量表明，即使经过这样的转换，大脑解码器也更难以推广到新参与者而不是来自训练阶段可用的参与者的新数据，从而凸显了需要克服的转移差距。结论。本文将受试者间模式分析的第一个形式化描述为多源传导迁移学习问题。我们利用几个互补的功能性神经成像数据集上的概念验证实验证明了这种形式化的附加价值。这项工作将有助于推广功能性神经成像人群研究的受试者间模式分析，并为未来的方法创新铺平道路。