XiaoMi-AI文件搜索系统
World File Search System后息
跨队列可复制的静息状态功能连接在预测精神分裂症症状和认知方面的作用
Abram, SV, Wisner, KM, Fox, JM, Barch, DM, Wang, L., Csernansky, JG, MacDonald, AW, & Smith, MJ (2017)。额颞叶连接可预测精神分裂症患者的认知共情缺陷和体验性负面症状。人脑映射，38 (3)，1111 – 1124。https://doi.org/10.1002/hbm.23439 Abubacker, NF, Azman, A., Doraisamy, S., Azmi Murad, MA, Elmanna, MEM, & Saravanan, R. (2014)。乳腺医学图像语义注释中关联规则挖掘的基于相关性的特征选择。计算机科学讲义，482 – 493。https://doi.org/10.1007/978-3-319-12844-3_41 Adhikari, BM、Hong, LE、Sampath, H.、Chiappelli, J.、Jahanshad, N.、Thompson, PM、Rowland, LM、Calhoun, VD、Du, X.、Chen, S. 和 Kochunov, P. (2019)。精神分裂症中的功能性网络连接障碍和核心认知缺陷。 Human Brain Mapping，40 (16), 4593 – 4605。https://doi.org/10.1002/hbm.24723 Baker, JT, Holmes, AJ, Masters, GA, Yeo, BTT, Krienen, F., Buckner, RL, & Öngür, DJ (2014)。精神分裂症和精神病性躁郁症患者的皮质关联网络破坏。JAMA Psy-chiatry，71 (2), 109 – 118。https://doi.org/10.1001/jamapsychiatry。 2013.3469 Beaty, RE, Kenett, YN, Christensen, AP, Rosenberg, MD, Benedek, M., Chen, Q., Fink, A., Qiu, J., Kwapil, TR, Kane, MJ, & Silvia, PJ (2018). 通过大脑功能连接对个人创造力进行稳健预测。美国国家科学院院刊，115 (5), 1087 – 1092。https://doi.org/10.1073/pnas.1713532115 Berman, RA, Gotts, SJ, McAdams, HM, Greenstein, D., Lalonde, F., Clasen, L., Watsky, RE, Shora, L., Ordonez, AE, Raznahan, A., Martin, A., Gogtay, N., & Rapoport, J. (2016). 感觉运动和社会认知网络中断是儿童期发病的精神分裂症症状的基础。 Brain , 139 (1), 276 – 291。https://doi.org/10.1093/brain/ awv306 Binder, JR、Desai, RH、Graves, WW 和 Conant, LL (2009)。语义系统在哪里？对 120 项功能神经影像学研究的评论与荟萃分析。大脑皮层 , 19 (12), 2767 – 2796。https://doi.org/10.1093/cercor/bhp055 Bonnici, HM、Kumaran, D.、Chadwick, MJ、Weiskopf, N.、Hassabis, D. 和 Maguire, EA (2012)。解码内侧颞叶中的场景表征。海马, 22 (5), 1143 – 1153。https://doi. org/10.1002/hipo.20960 Brady, R.、Tandon, N.、Keshavan, M. 和 Ongur, D. (2017)。精神分裂症的阴性症状和额顶叶回路功能障碍。生物精神病学, 81 (10), S111。https://doi.org/10.1016/j.biopsych.2017. 02.285 Briggs, RG、Chakraborty, AR、Anderson, CD、Abraham, CJ、Palejwala, AH、Conner, AK、Pelargos, PE、O'Donoghue, DL、Glenn, CA 和 Sughrue, ME (2019)。下额回的解剖学和白质连接。临床解剖学，32 (4), 546 – 556。https://doi.org/10.1002/ca.23349 Cai, M., Ji, Y., Zhao, Q., Xue, H., Sun, Z., Wang, H., Zhang, Y., Chen, Y., Zhao, Y., Zhang, Y., Lei, M., Wang, C., Zhuo, C., Liu, N., Liu, H., & Liu, F. (2024)。精神分裂症中的同源功能连接中断及其相关基因表达。神经影像，289，120551。https://doi.org/10.1016/j.neuroimage。 2024.120551 Chen, J., Müller, VI, Dukart, J., Hoffstaedter, F., Baker, JT, Holmes, AJ, Vatansever, D., Nickl-Jockschat, T., Liu, X., Derntl, B., Kogler, L., Jardri, R., Gruber, O., Aleman, A., Sommer, IE, Eickhoff, SB, & Patil, KR (2021). 任务定义大脑网络的内在连接模式允许个体预测认知症状
基于阿尔茨海默病静息态功能磁共振成像的图神经网络脑年龄预测
因此，AD的早期诊断方法至关重要。然而，现有的诊断方法主要依赖于对中晚期患者的心理测试和临床观察，缺乏客观有效的早期诊断方法。因此，开发更准确的识别方法并找到更客观的早期诊断生物标志物至关重要，这将有助于患者尽早接受治疗并提高治愈率（Tahami Monfared等，2022；Warren和Moustafa，2023）。脑年龄估计就是这样一种潜在的生物标志物，它可以帮助检测AD等精神障碍。此外，神经影像学驱动的脑年龄预测将有助于研究AD对大脑结构和功能网络的影响。同时，最近的研究也强调，显著延缓MCI进展为AD将降低AD的患病率和成本（Anderson，2019）。为此，通过脑年龄预测识别脑老化加速的个体对于精确识别和干预AD至关重要。因此，通过准确可靠的大脑年龄预测及早识别有患 AD 风险的个体将为制定有效的预防策略铺平道路 (Villemagne 等人，2013)。随着人工智能和医学成像技术的发展，近年来针对大脑年龄估计的研究有所增加 (Frizzell 等人，2022)。这些研究中大多数使用了结构磁共振成像 (MRI) 数据 (Gaser 等人，2013；Sajedi 和 Pardakhti，2019；Bashyam 等人，2020；Levakov 等人，2020；Lee 等人，2022)。例如，Bashyam 等人使用通过 T1 加权 MRI 获得的二维图像训练了 DeepBrainNet，这些图像以最少的预处理步骤从 11,729 名健康对照 (HC) 受试者中获得。他们实现了准确的年龄预测，并表明适度拟合的大脑衰老模型更适合区分 AD 和 HC。该方法通过简单的预处理步骤确保了模型在临床环境中的广泛适用性。然而，一个显着的局限性是它不能识别影响模型性能的解剖区域。Lee 等人（2022 年）认为遮挡敏感性分析增强了模型的可解释性。他们进一步发现，脑沟和白质与大脑年龄差距呈正相关。相反，脑回和脑室周围区域与大脑年龄差距呈负相关。通过这些分析，作者阐明了 AD 对大脑结构的影响。然而，必须注意的是，海马萎缩的结构变化发生在脑内积累 β-淀粉样蛋白 (A β ) 病理多年之后 ( McKhann 等人，2011 年；Villemagne 等人，2013 年)，并且AD中功能连接的受损几乎可以与使用正电子发射断层扫描（PET）测量的A β和tau同步检测到。因此，与大脑结构变化相比，通过静息态功能磁共振成像（rs-fMRI）检测大脑功能变化可能是一种对有AD风险的个体更敏感、更早的方法（Gonneaud等人，2021年）。先前的研究也证明了rs-fMRI数据在预测大脑年龄方面的效用，并提出AD会导致加速衰老。其中一项研究采用了高斯过程回归（GPR），在测试集中获得了8.195的平均绝对误差（MAE）和10.31的均方根误差（RMSE）（Millar等人，2022年）。然而，大多数现有的
静息状态下人类前额叶皮质的定向生理网络和颅内光生物调节后
大脑亚慢振荡 (ISO) 是内源性 (E；0.005–0.02 Hz)、神经源性 (N；0.02–0.04 Hz) 和肌源性 (M；0.04–0.2 Hz) 频带中血管运动的来源。在本研究中，我们同时测量 22 名健康参与者静息状态下前额的 2 通道宽带近红外光谱和 EEG，量化了前额氧合血红蛋白 (Δ[HbO]) 和氧化还原态细胞色素 c 氧化酶 (Δ[CCO]) 浓度的变化作为血流动力学和代谢活动指标，量化了脑电图 (EEG) 功率作为电生理活动。预处理后，使用广义部分定向相干性分析多模态信号，在每个 E/N/M 频带中构建三个神经生理指标（简化符号为 HbO、CCO 和 EEG）之间的单侧神经生理网络。这些网络中的链接代表神经血管、神经代谢和代谢血管耦合（NVC、NMC 和 MVC）。结果表明，神经活动和代谢（EEG 和 CCO）对氧气的需求驱动了静息前额叶皮质所有 E/N/M 波段的血流动力学供应（HbO）。此外，为了研究颅内光生物调节 (tPBM) 的影响，我们进行了一项假对照研究，向同一参与者的左、右前额叶皮质发射 800 纳米激光束。在执行相同的数据处理和统计分析后，我们获得了新颖而重要的发现：在前额皮质两侧传递的 tPBM 触发了三个神经生理实体（即 HbO、CCO 和 EEG 频率特定功率）之间的定向网络耦合的改变或逆转在 E 和 N 波段的生理网络中，表明在 tPBM 后时期，代谢和血流动力学供应都会驱动 PFC 定向网络耦合中的电生理活动。总体而言，这项研究表明，tPBM 有助于显着调节神经生理网络在电生理、代谢和血流动力学活动中的方向性。
静息态功能连接评估 18 个月生活方式干预后体重减轻对脑年龄的影响
背景：肥胖会对多个身体系统产生负面影响，包括中枢神经系统。回顾性研究通过神经影像学估计实际年龄发现肥胖患者的大脑衰老加速，但尚不清楚生活方式干预后减重对这一估计有何影响。方法：在一项对饮食干预随机对照试验多酚未加工研究 (DIRECT-PLUS) 的 102 名参与者的子研究中，我们测试了 18 个月生活方式干预后减重对基于磁共振成像 (MRI) 评估的静息态功能连接 (RSFC) 预测大脑年龄的影响。我们进一步研究了多种健康因素（包括人体测量、血液生物标志物和脂肪沉积）的动态变化如何解释大脑年龄的变化。结果：为了建立我们的方法，我们首先证明我们的模型可以成功地根据三个队列（n=291；358；102）的 RSFC 预测实际年龄。然后我们发现，在 DIRECT-PLUS 参与者中，体重减轻 1% 会导致大脑年龄衰减 8.9 个月。经过 18 个月的干预后，大脑年龄的衰减与肝脏生物标志物的改善、肝脏脂肪的减少以及内脏和深层皮下脂肪组织的减少显着相关。最后，我们表明，减少加工食品、糖果和饮料的消费与大脑年龄的衰减有关。结论：生活方式干预后成功减肥可能对大脑衰老的轨迹产生有益的影响。资金：德国研究基金会 (DFG)、德国研究基金会 - 项目编号 209933838 - SFB 1052；B11、以色列卫生部拨款 87472511（给 I Shai）；以色列科技部拨款 3-13604（给 I Shai）；以及加州核桃委员会 09933838 SFB 105（给 I Shai）。
静息态功能连接对中风后上肢功能结果的影响：一项功能性近红外光谱研究
方法：纳入 49 名患有皮质下病变的亚急性（2 周 − 6 个月）脑卒中患者，根据 FMA-UE 评分分为三组：轻度损伤（n = 17）、中度损伤（n = 13）和重度损伤（n = 19）。所有患者均接受 FMA-UE 评估和 10 分钟静息态 fNIRS 监测。在 7 个 ROI 上记录 fNIRS 信号：双侧背外侧前额皮质（DLPFC）、中部前额皮质（MPFC）、双侧初级运动皮质（M1）和双侧初级体感皮质（S1）。通过每个通道与每个 ROI 对之间的相关系数计算功能连接（FC）。为了揭示三组之间 FC 的综合差异，我们比较了组水平和 ROI 水平的 FC。此外，为了确定不同 ROI 之间的 FMA-UE 评分与 RSFC 之间的关联，我们进行了 Spearman 相关性分析，显著性阈值为 p < 0.05。为了便于比较，我们在 MATLAB R2013b 中将左半球定义为同侧半球，并将病变右半球翻转。
通过 3D 卷积神经网络和静息状态 fMRI 跨样本熵分析自动诊断晚年抑郁症
摘要 静息态 fMRI 已广泛应用于研究晚年抑郁症 (LLD) 的病理生理。与传统的线性方法不同，跨样本熵 (CSE) 分析显示了大脑区域之间 fMRI 信号的非线性特性。此外，深度学习的最新进展，例如卷积神经网络 (CNN)，为理解 LLD 提供了及时的应用。准确和及时的诊断对于 LLD 至关重要；因此，本研究旨在结合 CNN 和 CSE 分析，根据大脑静息态 fMRI 信号区分 LLD 患者和非抑郁症对照老年人。77 名老年人（包括 49 名患者和 28 名对照老年人）接受了 fMRI 扫描。开发了体积对应于每个参与者的 90 个种子感兴趣区域的三维 CSE，并将其输入到疾病分类和抑郁严重程度预测模型中。我们在额上回（左背外侧和右眶部）、左岛叶和右枕中回的诊断准确率 > 85%。平均均方根误差 (RMSE) 为 2.41，需要三个独立模型来预测重度、中度和轻度抑郁组的抑郁症状。左顶下小叶、左海马旁回和左中央后回的 CSE 体积在各自的模型中表现最佳。结合复杂性分析和深度学习算法可以将 LLD 患者与对照老年人进行分类，并根据 fMRI 数据预测症状严重程度。此类应用可用于精准医疗，用于 LLD 的疾病检测和症状监测。
使用静息态功能磁共振成像延迟数据对儿童癫痫的机器学习分类器进行比较
摘要。癫痫是最常见的儿科慢性神经系统疾病，每 150 名 10 岁以下儿童中就有 1 名患有癫痫；癫痫发作控制不佳会不可逆转地破坏正常的大脑发育。本研究比较了使用静息态功能性磁共振成像 (rfMRI) 延迟数据训练的不同机器学习算法检测癫痫的能力。对 63 名癫痫患者和 259 名健康对照者进行了术前 rfMRI 和解剖 MRI 扫描。分析了癫痫和健康对照队列的延迟 z 分数的正态分布，以确定 36 个种子区域的重叠情况。在这些种子区域中，研究队列之间的重叠范围为 0.44-0.58。使用主成分分析从延迟 z 分数图中提取机器学习特征。使用这些特征训练了极端梯度提升 (XGBoost)、支持向量机 (SVM) 和随机森林算法。受试者工作特征曲线下面积 (AUC)、准确度、灵敏度、特异性和 F1 分数
解释基于深度学习的静息状态功能连接数据表示：重点解释自闭症中的非线性模式
背景：静息态功能性磁共振成像 fMRI (rs- fMRI) 已广泛用于研究精神疾病的大脑功能，从而深入了解大脑组织。然而，rs-fMRI 数据的高维性给数据分析带来了重大挑战。变分自动编码器 (VAE) 是一种神经网络，在提取静息态功能连接 (rsFC) 模式的低维潜在表示方面发挥了重要作用，从而解决了 rs-fMRI 数据的复杂非线性结构。尽管取得了这些进展，但解释这些潜在表示仍然是一个挑战。本文旨在通过开发可解释的 VAE 模型并使用 rs-fMRI 数据在自闭症谱系障碍 (ASD) 中测试其效用来解决这一差距。
使用Eltrombopag改善抗CD19 CAR-T细胞治疗的患者的血小板减少症和静息需求
1 Virgen delRocíO，塞维利亚塞维利亚生物医学研究所，塞维利亚大学，西班牙塞维利亚41004； juanlu_jlr@hotmail.com（J.L.R. -O。 div>）; josea.perez.simon.sspa@juntadeandalucia.es（J.A.P.-S。）2大学医院28041年10月12日，西班牙马德里； josemspina@gmail.com（J.M.S.-P。）3西班牙瓦伦西亚大学46010大学关闭医院的含健康研究所4 46010 4血液学部门，莫拉莱斯 - 摩尔米尔大学医院IMIB-PASCUAL GRILLA区域血液化中心，30008 Murcia，Spain，Spain，Spain; oilpezgodino@gmail.com 5血液学服务，大学和Polyte Hospital La Fe，46026西班牙瓦伦西亚6号儿童儿童医院耶稣，28009，西班牙马德里； blanca.herrero@salud.madrid.com 7 IBSAL，CIBERONC，C ciberonc，C to Citr-ibmcc（USAL-CSIC），西班牙萨拉曼卡大学医院（西班牙），西班牙萨拉曼卡37007； lucialopezcorral@usal.es（L.L.-C。）; aamartin@saludcastillayleon.es（A.A..M。）8 Ram o n y Cajal大学医院，28034西班牙马德里9号，9010 Gran Canaria大学医院NEGRIN博士，35010 Las Palmas de Gran Canaria Canaria Canaria Canaria Canaria Canaria，西班牙10号，西班牙10号，卫生调查研究所，Barrona Saniation san santhitution saniTute of Sanitalight of Concerca西班牙nmartinc@clinic.cat 12 University vall d'Hebron医院，西班牙巴塞罗那08035； pbalsalobre@geth.es（P.B. div>）; sfilaferro@geth.es（s.f.） div>13 RECERCA SANT JOAN dedéu，Sant Joan dedédéuU U，西班牙08950； anna.alonso@sjd.es 14西班牙移植群体船体Éticoand Cell Therapy，28040，西班牙马德里； pbarba@vhio.net 15西班牙马德里28034的拉巴斯大学医院儿科血液肿瘤学系； Anerezmartinez@salud.madrid.org 16儿科系，马德里自治大学，28034马德里，西班牙17 Cibere-ICIII，IDIPAZ-CNI
截至 2024 年 6 月 30 日的中期合并报告
• 集团业绩优异，预测调整后息税前利润为 82 亿欧元，调整后净利润为 31 亿欧元。调整后营运资本前现金流为 78 亿欧元，表明强劲的基础业绩得益于我们的运营执行、增长、宝贵资产和财务纪律。集团税率为 52%，主要受上游贡献的推动。特别是： - E&P 预测调整后息税前利润为 69 亿欧元（较 2023 年上半年增长 3%），得益于产量同比增长 5% 至 173 万桶油当量/天以及注重提高效率以提高利润； - GGP 预测调整后息税前利润为 6.6 亿欧元，继续成功优化天然气和液化天然气组合； - Enilive 预测调整后息税前利润为 3 亿欧元，主要得益于生物炼油厂产量增加和营销业绩良好，但生物燃料利润率下降部分抵消了这一影响。 Plenitude 的调整后息税前利润为 3.9 亿欧元，较 23 年上半年增长 48%，这得益于零售业务业绩的增长以及可再生能源装机容量和相关产量的增加；- 炼油业务调整后息税前利润为 2.8 亿欧元，略低于 23 年上半年的业绩，原因是炼油利润率下降且产量下降。Versalis 运营的化工业务报告亏损 3.9 亿欧元，反映出市场条件异常不利。