XiaoMi-AI文件搜索系统
World File Search System颞叶
关于额颞叶痴呆的全面回顾：
摘要。额颞叶痴呆 (FTD) 是一种渐进性神经退行性疾病，其特征是大脑额叶和颞叶选择性退化。本综述探讨了 FTD 对语言、言语和行为的影响。早期症状包括找词困难、言语输出减少和理解障碍，常常导致失语症。该研究讨论了 FTD 患者观察到的深刻行为变化，包括冷漠、脱抑制、强迫行为和同理心丧失，以及准确和早期诊断的重要性及其挑战。我们甚至回顾了针对性治疗的潜力以及多学科护理在管理 FTD 的语言、言语和行为方面所发挥的重要作用。通过研究客观数据和关于该主题的全面研究，本研究提供了有关 FTD 对语言、言语和行为的深刻影响的宝贵见解，有助于改善这种毁灭性疾病的临床管理和潜在治疗策略。
静息态成人额颞叶痴呆与阿尔茨海默病脑电图特征提取鉴别技术的比较研究
摘要：早期阿尔茨海默病 (AD) 和额颞叶痴呆 (FTD) 具有相似的症状，这使其诊断和制定特定治疗策略变得复杂。我们的研究评估了多种特征提取技术，用于从脑电图 (EEG) 信号中识别 AD 和 FTD 生物标志物。我们开发了一种优化的机器学习架构，该架构集成了滑动窗口、特征提取和监督学习，以区分 AD 和 FTD 患者以及健康对照 (HC)。我们的模型具有 90% 的滑动窗口重叠度、SVD 熵用于特征提取和 K 最近邻 (KNN) 用于监督学习，在区分 AD 和 HC、FTD 和 HC 以及 AD 和 FTD 方面分别实现了 93% 和 91%、92.5% 和 93% 以及 91.5% 和 91% 的平均 F1 分数和准确率。特征重要性阵列是一种可解释的 AI 特征，它突出显示了有助于识别和区分 AD 和 FTD 生物标志物的脑叶。这项研究引入了一种使用 EEG 信号检测和区分 AD 和 FTD 的新框架，满足了对早期准确诊断的需求。此外，还记录了滑动窗口、多特征提取和机器学习方法对 AD/FTD 检测和区分的比较评估。
儿童的长期算盘训练收益由内侧颞叶解剖学和电路
图1样本算盘计算程序和研究设计。（a）32 + 84的算盘计算的示例。从右至左侧的三列表示数字，数百个数字。算在算盘上部的每个珠子在向下推时表示五个，而算盘下部的每个珠子则在向上推时表示1。为了实现32 + 84的计算，（a）将两个数字列中的两个珠子向下推（↓），（b）（b）将数百位数字柱中的一个珠子向上推（↑）（添加八个等于添加10个缩影2）。然后，（c）将一个数字列上部的一个珠子向下推（↓）和（d）（d）在一个数字柱的下部向下推一个珠子（↓）（添加四个平均值，添加5个量为1个）。该计算的结果为116。（b）研究设计。参与者在一年级开始时分配给基于算盘的心理计算培训（AMC）或对照组。AMC小组的儿童从一年级开始就完成了5年的纵向培训（每周2小时）。在第1年的时间点（1年培训后）收集结构和静止状态功能MRI扫描。数学能力从第一个时间点评估到第2，第三或第4个时间点（经过3 - 5年的培训后）（有关更多详细信息，请参见材料和方法）。对照组除了AMC培训外完成了研究的所有方面。
SGLT2抑制剂和对比造成的急性肾脏损伤的风险：PCI试验的时间？ 经皮球主动脉的长期结果... 代谢相关脂肪肝病和... 的作用 小脑：“小”大脑及其大作用 肾脏疗法中细胞外囊泡的方法 ix Zjazd polskiego towarzystwaneurologów... 同种异体后的抗性病毒感染的治疗... 当前对主要纵隔大B细胞淋巴瘤的知识和管理 治疗原发性中枢神经系统淋巴瘤（... pembrolizumab治疗期间的难治性大胆刺虫类药物在先进的非小细胞肺癌的一线治疗 使用GAD65抗体的自身免疫性颞叶癫痫的管理：四个病例报告
- 葡萄糖共转移蛋白-2抑制剂（SGLT2I）可有效减少2型糖尿病患者的主要性心血管事件，这些糖尿病患者已经确立了患有疾病的疾病，或者处于这种疾病的高风险[1，2]。此外，在SGLT2I用户中，无论糖尿病或左心室射血分数如何，心血管死亡和住院的心力衰竭降低[3，4]。在患有慢性肾脏疾病的患者中，SGLT2I降低了疾病进展或心脏病的风险[5]。然而，在原发性经皮冠状动脉干预（PCI）时，尚未评估针对对比造影诱导的急性肾损伤（CI-AKI）的潜在保护作用。ST段抬高心肌梗塞与各种并发症有关，其中Ci-Aki显着影响患者死亡率[6]。在本期刊中，Kültürsay等。[7]通过对295名患有ST段升高的肌肉螺栓梗塞的糖尿病患者进行回顾性研究，对此主题进行了一些启示。作者比较了或不接受背景治疗的患者与SGLT2I（包括Empagliflozin和Dapagli- Flozin）的CI-AKI风险。在治疗组中，对药物的暴露时间至少在PCI前6个月，确保了足够的时间使该药物发挥其多效性作用并影响心脏原始系统。作者采用了与肾脏疾病一致的CI-AKI定义：改善全球结果指南，其特征是肌酐水平升高≥0.3mg/dl基线值
阿片类药物，小胶质细胞和颞叶癫痫
缺乏颞叶癫痫（TLE）的治疗选择，要求紧急寻求新的疗法来恢复神经元损害并减少癫痫发作，从而可能中断神经毒性的级联反应，从而助长了超出性。内源性阿片类药物以及它们各自的受体，尤其是dynorphin和kappa-阿片类动物受体，作为控制癫痫中神经元兴奋性和疗法的有吸引力的候选者。我们对文献进行了批判性综述，以评估阿片类药物在调节癫痫中小胶质功能和形态的作用。我们发现，根据抗惊厥作用，急性阿片类受体激活具有通过Toll样4受体调节小胶质细胞激活的独特能力，从而调节细胞因子的下游分泌。小胶质细胞异常激活是神经蛋白膨胀的主要特征，发现炎症性细胞因子会加剧TLE，激发了抑制癫痫发作的阿片类药物改变小胶质细胞激活的挑战。我们进一步评估阿片类药物如何调节癫痫中的小胶质细胞激活以增强神经保护作用并减少癫痫发作。使用受控的应用，阿片类药物可能会中断癫痫中的炎症周期，以保护神经元功能并减少癫痫发作。对阿片类菌相互作用的研究对癫痫和医疗保健方法具有重要意义。然而，关于小胶质细胞的阿片类药物调节的临床前研究支持了TLE的新治疗途径。
颞叶癫痫中的神经元雪崩作为诊断工具：对内在静止状态动力学的无创研究
1索邦大学，脑研究所 - 巴黎脑研究所-ICM，CNR，Inria，Inserm，inserm，ap-hp，delapitiéSalpêtrière医院，F-75013，法国巴黎2，法国2应用科学和智能系统，国家研究委员会，POZZUOLI，ITALY 3 INTALITE SYSTERSILIL法国马赛4萨萨里大学，生物医学科学系，Viale San Pietro，07100，意大利萨萨里5号IRCCS E. Medea科学研究所，癫痫病单元，通过Costa Alta 37，31015，ITALY 37，31015，意大利Conegliano
颞叶枢纽在介导自我融合过程中的因果作用
心理化是人类社会行为的核心教师，涉及推断他人的认知状态。这个过程需要采用同种中心的观点并抑制一个以自我为中心的观点，被称为自我 - 其他分歧（SOD）。同时，个人可以以亲社会行为的方式将自己的认知状态投射到他人，这是一个被称为自我的过程 - 其他融合（SOM）。目前尚不清楚这两个相对的过程在心理化过程中如何共存。我们在这里将功能性磁共振成像（FMRI）和重复的经颅磁刺激（RTMS）技术与鼻内催产素（OT INT）与健康男性人类参与者的SOM效应为探测器，在此期间，他们将决策信心的认知归因于匿名的匿名伙伴。我们的结果表明ot int
使用 Wasserstein 距离对颞叶癫痫脑网络进行统一拓扑推理
持久同源性为从脑网络中提取隐藏的拓扑信号提供了一种强大的工具。它捕获了跨多个尺度的拓扑结构的演变，称为过滤，从而揭示了在这些尺度上持续存在的拓扑特征。这些特征总结在持久性图中，并使用 Wasserstein 距离量化它们的差异。然而，Wasserstein 距离不遵循已知的分布，这对现有参数统计模型的应用构成了挑战。为了解决这个问题，我们引入了一个以 Wasserstein 距离为中心的统一拓扑推理框架。我们的方法没有明确的模型和分布假设。推理以完全数据驱动的方式进行。我们将这种方法应用于从两个不同地点收集的颞叶癫痫患者的静息态功能磁共振图像 (rs-fMRI)：威斯康星大学麦迪逊分校和威斯康星医学院。重要的是，我们的拓扑方法对由于性别和图像采集而导致的变化具有鲁棒性，无需将这些变量视为干扰协变量。我们成功定位了对拓扑差异贡献最大的大脑区域。本研究中所有分析使用的 MATLAB 包可在 https://github.com/laplcebeltrami/PH-STAT 上找到。
性能优化的深度神经网络正在发展为较差的颞下颞叶状性皮层
过去十年来计算神经科学中最有影响力的发现之一是，深神经网络（DNN）的对象识别准确性（DNNS）与他们预测依次（IT）皮质中自然图像的神经反应的能力相关[1,2]。这一发现支持了长期以来的理论，即对象识别是视觉皮层的核心目标，并建议更准确的DNN将作为IT神经元对图像的更好模型的响应[3-5]。从那时起，深度学习就进行了一场规模的革命：经过数十亿图像训练的十亿个参数规模的DNN在包括对象识别的视觉任务上竞争或超越人类。今天的DNN在对象识别方面变得更加准确，可以预测其对图像的神经元的响应变得更加准确？在三个独立的实验中，我们发现情况并非如此：DNN逐渐变得更糟，因为其精度在Imagenet上提高了。要了解为什么DNN经历这种权衡并评估它们是否仍然是建模视觉系统的适当范式，我们转向其录音，以捕获自然图像引起的神经元活动的空间分辨图[6]。这些神经元活动图表明，接受Imagenet训练的DNN学会依靠与由其编码的DNN相比，并且随着其准确性的提高，该问题恶化。我们成功解决了这个问题，这是DNNS的插件训练程序，它使他们学到的表现与人类保持一致[7]。我们的结果表明，统一的DNN破坏了ImageNet精度和神经预测准确性之间的权衡，从而攻击了当前的DNN，并为更准确的生物学视觉模型提供了途径。我们的工作表明，使用任务优化的DNNS需要进行修订的标准方法，以及其他生物学约束（包括人体心理物理学数据）需要准确地逆转视觉皮层。
基于 MRI 的阿尔茨海默病和额颞叶痴呆的深度分级鉴别诊断
阿尔茨海默病和额颞叶痴呆是神经退行性痴呆的常见形式。这两种疾病的临床病程中都存在行为改变和认知障碍，它们的鉴别诊断有时会给医生带来挑战。因此，专门用于这一诊断挑战的精确工具在临床实践中很有价值。然而，目前的结构成像方法主要侧重于每种疾病的检测，而很少侧重于它们的鉴别诊断。在本文中，我们提出了一种基于深度学习的疾病检测和鉴别诊断方法。我们建议在此应用中使用两种类型的生物标志物：结构分级和结构萎缩。首先，我们建议训练大量 3D U-Nets，以使用结构 MRI 作为输入，在本地确定健康人、阿尔茨海默病患者和额颞叶痴呆患者的解剖模式。该集合的输出是 2 通道疾病坐标图，可以将其转换为临床医生易于解释的 3D 分级图。该双通道疾病坐标图与多层感知器分类器相结合，用于不同的分类任务。其次，我们建议将我们的深度学习框架与基于体积的传统机器学习策略相结合，以提高模型的判别能力和稳健性。经过交叉验证和外部验证，我们基于 3319 个 MRI 的实验表明，与最先进的疾病检测和鉴别诊断方法相比，我们的方法产生了具有竞争力的结果。