XiaoMi-AI文件搜索系统
World File Search System核上性
罗西进行性核上性麻痹中心
摘要：目的：描述加拿大罗西 PSP 中心进行性核上性麻痹 (PSP) 和皮层基底节综合征 (CBS) 临床研究项目的发展和初步经验，分享所采用的数据采集工具，并报告初步结果。方法：每 6 个月使用标准化表格收集大量人口统计和纵向临床信息。收集生物流体用于生物库和基因分析，许多患者参与了神经影像学研究方案。脑捐赠是该计划的重要组成部分，已经建立了标准化的处理方案，包括对接受医疗协助死亡的患者从死亡到尸检的时间非常短。结果：2019 年 10 月至 2021 年 12 月期间，共筛查了 132 名患者，91 名符合 PSP 标准，19 名符合 CBS 标准；年龄 71 岁；41% 为女性；病程 5 年，发病年龄 66 岁。发病时最常见的症状是姿势不稳和跌倒（45%）、认知行为改变（22%）和帕金森病（9%）。主要的临床表型是理查森综合征（82%）。左旋多巴和金刚烷胺可产生部分和短期益处。结论：Rossy PSP 中心的成立是为了推动 PSP 和相关 tauopathies 的临床和基础研究。所收集临床数据的范围允许对患者进行深入的表型分析，并为未来的临床和基础研究做好准备。初步结果显示，我们的队列中表型、人口统计学特征和对对症治疗的反应的分布符合预期。纵向数据将为 PSP 的早期诊断和管理提供见解。未来的步骤包括在早期阶段招募患者、开发生物标志物以及快速跟踪特征明确的患者进入临床试验。
进行性核上性麻痹和皮层基底节综合征患者的网络连接和生存结构相关性
图 5 识别预测结果的跨诊断成分。我们使用 Cox 模型的偏最小二乘回归来找到一个成分 (a)，该成分最大化了连接和审查死亡时间之间的协方差。连接代表 PLSR 权重，因此对于得分较高的受试者，红色表示连接较强，蓝色表示连接较弱。PSP 患者和 CBS 患者 (c) 之间的此成分没有差异。使用五倍交叉验证并使用一致性分析和综合曲线下面积评估结果，我们发现连接提供了患者人口统计信息和住院运动之外的额外信息，但结合结构、临床和基线指标可提供最佳预测准确性 (de)。（DMN，默认模式网络；DAN，背侧注意网络；FPN，额顶网络；SM，感觉运动；TN，丘脑网络；VAN，腹侧注意网络）。
使用无监督机器学习揭示进行性核上性麻痹的萎缩时空模式
我们的队列包括 426 例进行性核上性麻痹病例，其中 367 例至少接受过一次随访扫描，另 290 例为对照。在进行性核上性麻痹病例中，357 例临床诊断为进行性核上性麻痹 - 理查森综合征，52 例为进行性核上性麻痹 - 皮质变异（进行性核上性麻痹 - 额叶、进行性核上性麻痹 - 言语/语言或进行性核上性麻痹 - 皮质基底节），17 例为进行性核上性麻痹 - 皮质下变异（进行性核上性麻痹 - 帕金森病或进行性核上性麻痹 - 进行性步态冻结）。亚型和分期推断应用于从基线结构（T1 加权）MRI 扫描中提取的体积 MRI 特征，然后用于对随访扫描进行亚型和分期。随访中的亚型和分期用于验证亚型和分期分配的纵向一致性。我们进一步比较了每种亚型的临床表型，以深入了解进行性核上性麻痹病理、萎缩模式和临床表现之间的关系。
进行性核上性麻痹脑容量变化的数据驱动模型
进行性核上性麻痹最常见的临床表型是理查森综合征，其特征是对左旋多巴无反应的对称性帕金森病，伴有垂直核上性凝视麻痹、早期跌倒和认知障碍。目前尚无对进行性核上性麻痹疾病病理生理学完整序列的详细了解。确定进行性核上性麻痹的脑萎缩序列可以为疾病进展机制提供重要见解，并指导患者分层和临床试验监测。我们将基于事件的概率模型应用于大型国际队列的横断面结构 MRI 扫描，以确定临床诊断的进行性核上性麻痹理查森综合征的脑萎缩序列。共有 341 名理查森综合征患者（其中 255 人接受了 12 个月的随访影像学检查）和 260 名对照者被纳入研究。我们结合使用了 12 个月的随访 MRI 扫描和经过验证的临床评分（进行性核上性麻痹评分量表）来证明基于事件的模型分期系统的纵向一致性和实用性。基于事件的模型估计最早的萎缩发生在脑干和皮质下区域，然后向尾部进展到小脑上脚和小脑深部核，并向前端进展到皮质。皮质萎缩的顺序从前到后，从岛叶开始，然后是额叶，最后扩散到颞叶、顶叶，最后是枕叶。这种体内顺序与进行性核上性麻痹的死后神经病理学分期相符，并且在交叉验证下是稳健的。利用 12 个月随访扫描的纵向信息，我们证明受试者在此时间间隔内持续进入后期阶段，支持了该模型的有效性。此外，临床严重程度（进行性核上性麻痹评分量表）和疾病持续时间与预测的受试者基于事件的模型阶段显著相关（P ，0.01）。我们的研究结果为进行性核上性麻痹的萎缩进展顺序提供了新的见解，并提供了潜在的实用性，可根据疾病阶段对进入临床试验的此病患者进行分层，以及跟踪疾病进展。
核上性麻痹 - 伦敦大学学院发现
由儿童健康研究所/伦敦大学学院用户于 2022 年 4 月 26 日从 https://academic.oup.com/braincomms/advance-article/doi/10.1093/braincomms/fcac098/6568415 下载
模块化基因共表达网络分析揭示阿尔茨海默病和进行性核上性麻痹背后的分子通路
全面了解神经退行性疾病不同阶段所涉及的病理机制是预防和改善疾病治疗的关键。患病大脑中的基因表达改变是有关受病理影响的生物过程的潜在信息来源。在这项工作中，我们对被诊断为阿尔茨海默病 (AD) 或进行性核上性麻痹 (PSP) 的人类患者与淀粉样变性和 tau 蛋白病的动物模型大脑中的基因表达改变进行了系统比较。使用系统生物学方法揭示与基因表达改变相关的生物过程，我们可以精确地指出与 tau 蛋白病/PSP 和淀粉样变性/AD 更密切相关的过程。我们发现与免疫炎症反应相关的基因表达改变在年轻人中占主导地位，而与突触传递相关的基因表达改变主要在老年 AD 患者中观察到。然而，在 PSP 中，与免疫炎症反应和突触传递相关的变化重叠。在 AD 和 PSP 大脑中观察到的这两种不同模式分别在淀粉样变性和 tau 蛋白病的动物模型中得到了很好的再现。此外，在 AD 中，而不是在 PSP 或动物模型中，与 RNA 剪接相关的基因表达改变非常普遍，而与髓鞘形成相关的基因表达改变在 AD 和 PSP 中都很丰富，但在动物模型中却没有。最后，我们在细胞类型特异性共表达模块中确定了 12 个 AD 和 4 个 PSP 遗传风险因素，从而有助于揭示这些基因在发病机制中的可能作用。总之，这项工作有助于揭示受淀粉样蛋白和 tau 病理影响的潜在生物学过程以及它们如何导致 AD 和 PSP 的发病机制。
通过亚型和分期推断揭示皮层基底节综合征和进行性核上性麻痹的脑萎缩时间进展模式 (SuStaIn)
区分表现为皮层基底节综合征 (CBD-CBS) 的皮层基底节变性与伴有理查森综合征的进行性核上性麻痹 (PSP-RS)，尤其是在早期阶段，通常很困难，因为这两种神经退行性疾病在临床表现和病理方面非常相似。尽管已经对 CBS 和 PSP-RS 患者的脑磁共振成像 (MRI) 体积测定进行了研究，但评估脑萎缩进展的研究有限。因此，我们旨在纯粹基于横断面数据，使用亚型和阶段推断 (SuStaIn)——一种集成了聚类和疾病进展模型的新型无监督机器学习技术，揭示 CBS 患者和 PSP-RS 患者脑萎缩时间进展模式的差异。我们将 SuStaIn 应用于 25 名 CBS 患者、39 名典型 PSP-RS 患者和 50 名健康对照者的横断面区域脑体积，以估计 CBS 和 PSP-RS 两种疾病亚型和轨迹，它们具有不同的萎缩模式。将 CBS 和 PSP-RS 的进展模型和分类准确度与之前的研究进行比较，以评估 SuStaIn 的性能。SuStaIn 确定了 CBS 和 PSP-RS 脑萎缩的不同时间进展模式，这与之前的证据基本一致，在交叉验证下具有高可重复性（99.7%）。我们基于横断面结构性脑 MRI 数据对这些疾病进行了高精度（0.875）和高精度（分别为 0.680 和 1.000）分类，其精度高于之前研究的报告值。此外，SuStaIn 分期正确反映了疾病的严重程度，而无需疾病分期标签，例如疾病持续时间。此外，SuStaIn还表现出了分化能力
利用机器学习进行多模态 MRI 鉴别帕金森病和进行性核上性麻痹的效用
经典帕金森病 (PD) 和进行性核上性麻痹 (PSP)（尤其是理查森综合征 (PSP-RS)）的早期鉴别诊断通常受到症状特征重叠的限制，现有的临床评分或既定的诊断方法无法有效捕捉这些症状特征。在这种情况下，即使是运动障碍专家也报告了高达 24% 的失败率 ( 1 )。在临床实践中，PD 和 PSP-RS 的诊断主要基于临床检查，包括主要特征、对左旋多巴的反应以及统一 PD 评定量表 (UPDRS) ( 2 ) 等既定评分。然而，由于临床症状明显重叠且床边检查准确性不足，鉴别诊断通常具有挑战性，尤其是在疾病早期。准确的早期诊断与通过适当的药物管理、患者护理方案更好地管理疾病密切相关，并且可能显著改善疾病预后。此外，识别早期疾病表现可能带来更有针对性的药物疗法，并推动在这一领域开发更有效的药物疗法。在这方面，使用各种磁共振成像 (MRI) 模式，如 T1 加权 ( 3 , 4 )、T2 加权 ( 5 , 6 ) 和扩散张量 MRI (DTI) ( 7 , 8 ) 进行的分组研究显示，PD 和 PSP-RS 患者与健康对照 (HC) 受试者之间存在显著差异。这些差异表明区域脑容量、脑铁代谢和微结构脑组织退化发生了改变，所有这些都与 PD 和 PSP-RS 与 HC 受试者相比的神经退行性特征密切相关 ( 9 – 11 )。监督式机器学习技术能够识别高维数据中的复杂模式，而识别出的模式可用于对新的未知病例做出针对特定患者的预测 (12)。机器学习已成功用于解决各种精准医疗问题 (13)，多项研究尝试利用上述分组研究获得的特征对个体 PD 和 PSP-RS 患者进行分类 [例如 (14-16)]。然而，到目前为止，只有少数科学研究真正尝试利用多模态成像特征的力量来改善 PD 和 PSP-RS 患者的鉴别分类 [例如 (17、18)]。此外，与单模态成像信息相比，多模态成像的真正优势尚未详细探讨。因此，本研究旨在提出一个全面的端到端框架，使用 T1 加权、T2 加权和 DTI 数据集对 PD 患者、PSP-RS 患者和 HC 受试者进行分类，并评估使用单个单模态特征和多模态特征训练的最佳机器学习模型的准确性。