XiaoMi-AI文件搜索系统
World File Search System脑血管
使用限制光谱成像检测临床意义前列腺癌的定量测量效用 开发人工智能生成的，可解释的处理1 在精神病等候补名单上实施移动AI聊天机器人干预抑郁症的挑战：随机控制学习终止报告 心力衰竭患者的院内死亡率的预测 使用分阶段seq技术对循环肿瘤DNA分析进行分析验证，以检测B细胞恶性肿瘤中的残留疾病 抗治疗癌细胞的计算分析 评估血浆P-TAU217用于检测多样化和异质社区同类群体中淀粉样病理学的评估 在甲状腺结节分类中增强诊断精度：一种自动化超声图像分析的深度学习方法 使用飞行时间MRI 测量脑血管系统中的动脉曲折。 初始结果
Mariluz Rojo Domingo * 1,2，Christopher C Conlin，PhD * 3，Roshan A Karunamuni，PhD 2，Courtney Ollison，Courtney Ollison，BS 2，Madison t Baxter，MS 2，MS 2，Karoline Kallis，Karoline Kallis，Karoline Kallis，Phd 2，Deondre d do，do do do，bs 1,2 Shabaik，医学博士5，Michael E Hahn，医学博士，博士3，Paul M Murphy，医学博士，博士3，Rebecca Rakow-Penner，MD，PhD 3，Anders M Dale，Anders M Dale，Phd 3,6,7，Tyler M Seibert，MD，MD，博士学位1,2,3 *这些作者在1,2,3 *
超分辨率超声揭示阿尔茨海默病小鼠模型中的脑血管损伤
越来越多的证据表明脑血管疾病与阿尔茨海默病相关的认知障碍之间存在联系。然而，对于大脑各个区域微血管变化的详细描述以及它们与其他更传统的病理的关系一直缺乏。此外，由于早期阿尔茨海默病通常涉及海马病理，因此需要探测深部脑结构，这使得阐明大脑微血管功能与阿尔茨海默病进展之间的相互作用的努力变得复杂。本研究的目的是使用与野生型对照年龄匹配的队列来检查阿尔茨海默病小鼠模型中微血管动力学的变化。本研究包括两种性别的数据。超分辨率超声定位显微镜揭示了整个大脑深度内的微血管功能和结构特征，并进行可视化和量化。我们发现，海马和内嗅球流速的功能性下降先于局部血管密度的结构性紊乱。联合配准的组织学切片证实了超声成像中看到的局部灌注不足，这些灌注不足与淀粉样β斑块沉积共定位。除了以高局部分辨率提供深部脑结构的整体血管量化外，该技术还允许对单个血管进行速度曲线分析，在某些情况下，允许分离动脉和静脉流速贡献。这些数据表明，微血管病理是阿尔茨海默病的早期和普遍特征，可能代表这种疾病的新治疗目标。
衰老推动小鼠脑血管网络重塑和脑功能变化
。CC-BY-NC 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 2 月 20 日发布。；https://doi.org/10.1101/2023.05.23.541998 doi：bioRxiv 预印本
引用：方X，Fan F，Border JJ，Roman RJ。阿尔茨海默氏病和转基因啮齿动物模型中的脑血管功能障碍。 J Exp Neurol。 2024; 5（2
阿尔茨海默氏病（AD）和阿尔茨海默氏病有关的痴呆症（ADRD）是痴呆症的主要原因，对生活质量具有毁灭性影响，并且对医疗保健系统是巨大的经济负担。大脑中细胞外β-淀粉样蛋白（Aβ）斑块和细胞内的高磷酸化神经原纤维缠结（NFT）的积累是AD的标志。他们也被认为是AD随附的炎症，神经退行性，脑萎缩和认知障碍的根本原因。发现APP，PS1和PS2突变的发现，这些突变会增加具有早期发作家族AD的家族的Aβ产生，从而发展了许多AD的转基因啮齿动物模型。这些模型为Aβ在AD中的作用提供了新的见解。但是，它们没有完全复制患者的AD病理。家族性AD患者具有升高Aβ产生的突变的家族性AD患者仅占痴呆症患者的一小部分。相比之下，患有零星的晚期AD的人构成了大多数病例。这一观察结果以及先前针对Aβ或TAU的临床试验的失败以及使用Aβ单克隆抗体的最新试验的适度成功，导致重新评估了Aβ积累是AD发病机理的唯一因素。最近的研究表明，脑血管功能障碍是AD中最早的变化之一，与AD相关的候选基因中有67％在脑血管中表达。因此，对AD的血管贡献越来越多，美国国家衰老研究所（NIA）和阿尔茨海默氏病基金会最近将其优先为重点研究领域。本综述总结了最常用的转基因AD动物模型的优势和局限性，以及有关Aβ积累与脑血管功能障碍在AD发病机理中的贡献的当前观点。
睡眠持续时间及其随时间的变化与脑血管病、淀粉样蛋白、Tau 蛋白和神经退行性病理的影像生物标志物之间的关联
结果：PET 成像样本中，受试队列包括 271 名参与者（年龄 53.6 ± 8.0 岁；51% 为男性），MRI 样本中，受试队列包括 2,165 名参与者（年龄 61.3 ± 11.1 岁；45% 为男性）。未观察到横断面睡眠持续时间与神经影像学指标之间完全校正的关联。在完全调整模型中，与持续睡眠 7 - 8 小时的人群相比，随着时间的推移，睡眠时间延长的人群过渡到睡眠时间较长的人群的 FW 分数更高（从短到平均 β [SE] 0.0062 [0.0024]，p = 0.009；从短到长 β [SE] 0.0164 [0.0076]，p = 0.031；从平均到长 β [SE] 0.0083 [0.0022]，p = 0.002），而那些从平均睡眠时间过渡到长睡眠时间的人群的 WMH 负担也更高（β [SE] 0.29 [0.11]，p = 0.007）。在完全调整的模型中，与持续睡眠 7 - 8 小时的人相比，持续睡眠 ≥ 9 小时的参与者观察到了相反的关联（较低的 WMH 和 FW）（β [SE] - 0.43 [0.20]，p = 0.028；β [SE] - 0.019 [0.004]，p = 0.020）。在完全校正模型中，睡眠时间每增加一小时（持续，β [SE] 0.12 [0.04]，p = 0.003；β [SE] 0.002 [0.001]，p = 0.021）及睡眠持续时间大幅增加（≥ 2 小时 vs 0 ± 1 小时变化；β [SE] 0.24 [0.10]，p = 0.019；β [SE] 0.0081 [0.0025]，p = 0.001），均与更高的 WMH 负担和 FW 分数相关。睡眠持续时间变化与 PET 淀粉样蛋白或 tau 蛋白结果无关。
脑血流量和脑血管反应性通过青年期间的成熟阶段和运动训练状态改变
简单摘要：在我们的研究中，我们使用一系列MRI模式解决了脑肿瘤分割任务的挑战。虽然领先的模型对标准化数据集显示了较高的能力，但它们在不同临床环境中的多功能性仍然不确定。我们引入了“以区域为中心的选择加（RFS+）”，从而提高了我们本地数据集中临床定义标签（如肿瘤总量）的分割性能。rfs+集成了分割方法和归一化技术，利用每种方法的优势，并通过选择前三个模型来最大程度地减少其缺点。rfs+与最先进模型相比，使用记忆少67％，训练时间少92％。与领先模型相比，该策略的性能更好，骰子得分为79.22％。这些发现突出了RFS+在扩增临床应用中深度学习模型对脑肿瘤分割的适应性方面的潜力。但是，需要进一步的研究来验证RFS+的更广泛的临床效率。
脑血管病学和内分泌学
在 2023 年美国癌症研究协会 (AACR) 年会上发表的 25 篇摘要中，有 25 篇描述了首次人体研究的初始数据，或描述了正在进行但数据尚未披露的首次人体研究，其中 8 篇涵盖 ADC，5 篇描述 mAb 疗法。
神经丝轻链：镰状细胞性贫血患儿脑血管病的潜在生物标志物
通过对乌干达 SCA 儿童横断面样本进行特征化，我们探讨了生物标志物水平与 MRI 检测到的脑梗塞和经颅多普勒 (TCD) 动脉速度之间的关系。使用 4 重脑损伤生物标志物面板进行测试，包括神经丝轻链 (NfL)，一种中枢神经系统神经元特异性蛋白。SCA 组 (n=81) 的平均生物标志物水平与非 SCA 同胞对照 (n=54) 的相似。在 SCA 组中，MRI 检测到梗塞的患者 NfL 水平明显高于无梗塞患者，且 TCD 速度升高的患者 NfL 水平高于正常速度患者。调整性别和年龄后，NfL 升高仍然与 MRI 检测到的梗塞密切相关 所有非 SCA 对照和未通过 MRI 检测到梗塞的 SCA 参与者的 NfL 水平均较低。这些数据表明，血浆 NfL 水平可能有助于识别患有 SCA 脑血管损伤的儿童。需要进行重复和前瞻性研究来证实这些新发现以及 NfL 与 MRI 成像的临床应用。
基于差异进化的神经结构搜索脑血管分割
脑血管分析对于开发神经退行性疾病的新型治疗靶标至关重要。这样的准确分析不能手动执行，而需要半自动或完全自动化的方法。深度学习方法最近已证明对医学图像的自动分割和分析必不可少。但是，优化深度学习网络体系结构是另一个挑战。手动选择深度学习网络体系结构并调整其超参数需要大量的专业知识和精力。为了解决这个问题，文献中提出了探索具有高分从细分性能的更高效网络体系结构的神经体系结构搜索（NAS）方法。这项研究介绍了基于差异进化的NAS方法，其中提出了新的搜索空间以用于脑血管分割。我们选择了经常用于医学图像分割的两个架构，即u-net和注意U-net，作为NAS优化的基准。传统的差异进化和基于反对的差异进化与新型搜索空间一起用作NAS中的搜索方法。此外，我们进行消融研究并评估特定损失函数，模型修剪，阈值选择和概括性能对所提出模型的影响。实验是在提供335个单渠道8位灰度图像的两个数据集上进行的。这些数据集是公共体积脑血管系统数据集（CONSEINN）和我们自己的名为Kuvesg的数据集。所提出的NAS方法，即UNAS-NET和COATION UNAS-NET体系结构，就不同的分割指标而言产生了更好的分割性能。更具体地说，具有差分进化的UNAS-NET揭示了高骰子得分/敏感性值分别为79.57/81.48。此外，它们的推理时间比基线方法短9.15。
人工智能和机器学习在诊断脑血管疾病中的作用
简介：已知脑血管疾病会对普通人群引起显着的发病率和死亡率。在患有脑血管疾病的患者中，及时的临床评估和放射学解释对于优化临床管理以及为关键且潜在的挽救生命的神经外科干预措施进行分类患者而言至关重要。随着人工智能（AI）和机器学习（ML）领域的最新进展，已经开发了许多AI和ML算法，以进一步优化脑血管疾病的诊断和后续治疗。尽管有这样的进步，但仍需要进一步的研究来实质性地评估这些技术在临床实践中的应用的诊断准确性和可行性。本综述旨在分析当前对脑血管疾病的诊断和临床决策的AI和MI算法的使用，并讨论利用这种算法的可行性和未来应用。