multiple sclerosis
PulseAugur coverage of multiple sclerosis — every cluster mentioning multiple sclerosis across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的InfoVAE-Med3D模型从3D脑部MRI中学习以进行疾病预测
研究人员开发了InfoVAE-Med3D，这是一种新颖的变分自编码器模型改编，旨在从3D脑部MRI扫描中学习信息性潜在表示。该方法旨在弥合大脑结构与认知功能之间的差距，特别是针对多发性硬化症（MS）等神经系统疾病。通过放宽互信息正则化惩罚，InfoVAE-Med3D在MRI重建以及大脑年龄和符号数字模式测试（SDMT）分数预测方面表现出改进，其性能优于其他变分自编码器变体，并在MS数据集上与深度学习预测器取得了有竞争力的结果。
-
新AI协议难以预测超出群体平均水平的未来MS病灶
研究人员开发了FORESEE-MS，一个旨在从基线FLAIR MRI扫描中预测未来多发性硬化（MS）病灶的新评估协议。该研究将五个深度学习模型与一个群体先验图谱进行了比较，发现在汇集的体素级别指标（如AUROC和AUPRC）上，图谱的表现最佳。虽然一些模型在患者内部病灶定位方面表现稍好，但结果在统计学上不显著，这表明基线FLAIR MRI中患者特异性的预测信息在超越一般人群模式的病灶预测方面仍不确定。
-
研究发现：AI不确定性量化在不平衡临床数据中存在缺陷
一篇新发表在arXiv上的研究论文强调了用于临床环境的选择性预测系统在不确定性量化方面存在一个关键缺陷，尤其是在处理不平衡数据集时。研究表明，标准的不确定性度量会错误地表示临床模糊性，反而充当类别成员的代理，并系统性地惩罚少数患者群体。研究人员提出了一种修正框架，将不确定性度量与临床阈值对齐，确保不同患者群体的风险平衡，并提高AI在医疗保健中的安全性。
-
深度学习增强脑血管成像的4D流MRI · 追踪2个来源
研究人员开发了一种深度学习模型，可提高脑血管成像的4D流MRI扫描分辨率。通过利用合成预训练和多队列迁移学习，该卷积神经网络与传统插值方法相比，实现了更低的误差率和更好的血管描绘。这一进展有望在不同患者队列中实现更精确的血管造影和血流动力学分析，支持其在多中心研究中的验证。
-
克里斯蒂娜·艾伯格拉特透露多发性硬化症误诊
女演员克里斯蒂娜·艾伯格拉特透露，她被误诊为多发性硬化症。尽管多年来她一直经历严重的行动不便和与自身免疫性疾病一致的症状，但她的医生已确定她没有患上多发性硬化症。艾伯格拉特表达了沮丧，称她在了解自己的健康问题方面“回到了原点”，因为她仍然面临着巨大的挑战，例如在看医生时需要轮椅。
-
新的多任务预训练框架增强了脑部MR图像分割
研究人员开发了一种用于脑部MR图像分割的多任务自监督预训练框架，结合了通用的图像修复任务和特定领域的脑龄预测（体素级别）任务。该方法旨在从无标签的神经影像数据中学习可迁移的特征表示，解决了医学分析中带标注数据集稀缺的问题。与单任务预训练模型和从头开始训练的模型相比，预训练模型在多发性硬化症病变、缺血性中风病变和皮层脑结构分割等下游任务上表现出更优越的性能。
-
一项新的验证研究比较了五种追踪脊髓MRI中多发性硬化病灶的方法
研究人员开发并验证了五种不同的策略，用于自动追踪脊髓MRI扫描中多发性硬化（MS）病灶随时间的变化。该研究比较了包括可变形配准、脊髓解剖参考系统、基于重叠的匹配、匈牙利算法、梯度提升分类和Siamese模型在内的多种方法。基于配准的重叠方法在准确识别纵向扫描中的病灶实例方面表现最佳，提供了对脊髓病灶实例对应关系的首次系统性分析。
-
新方法将年龄生物标志物中的疾病效应归因于训练数据
研究人员开发了一种名为pyinfluence的新方法，用于将规范性年龄生物标志物中的疾病相关效应归因于单个训练样本。该技术通过留一法再训练进行验证，根据训练样本对保留的病例对照分离的影响程度进行排名。当应用于英国生物银行（UK Biobank）的四种疾病数据时，移除影响最大的前10%训练样本会持续增加保留的疾病相关效应大小，特别是使2型糖尿病的代谢组年龄效应翻倍，并提高多发性硬化症的脑年龄效应。
-
养老院以高科技护理和居民自主权打破刻板印象
位于马萨诸塞州切尔西的Leonard Florence Center for Living是一家养老院，尽管面临来自不足的Medicaid报销的财务挑战，但它通过提供卓越的护理和促进居民自主权来打破刻板印象。该机构专门从事呼吸机护理，并服务于大量肌萎缩侧索硬化症（ALS）患者，通过先进的技术和高员工与居民比例，为他们提供更长的寿命和高活动水平。这种创新的方法受到一位患有ALS的首席执行官和一位建筑师之间合作的启发，使严重行动不便的居民…
-
新的基准MS-MLB使用机器学习进行基于血液的MS分类
研究人员推出了MS-MLB，这是一个新的开放基准，用于使用全血RNA表达数据对多发性硬化症（MS）进行机器学习分类。该基准利用了公开的GSE17048队列，并实施了一个严格、可复现的管道，并控制了数据泄露，以评估各种算法。梯度提升模型表现最佳，在保留集上取得了93.83的高MS研究分数和0.989的AUC-ROC，但这些分数仅用于研究比较，未经临床验证。
-
新的 SIINR 框架通过不确定性量化增强临床 dMRI 分辨率
研究人员开发了 SIINR，一种用于增强扩散磁共振成像 (dMRI) 数据分辨率的新型框架。该方法不仅提高了临床 dMRI 的结构细节，还量化了重建输出中的不确定性。SIINR 集成了监督式 3D U-net 和自监督式隐式神经表示来实现这一目标，在各种 dMRI 数据集上表现优于标准插值技术。该框架在临床应用中显示出潜力，例如识别多发性硬化症和脑部病变患者的变化。
-
LLM驱动的系统简化了药物发现的代谢模型分析
研究人员开发了MechAInistic，这是一个利用大型语言模型简化基因组尺度约束型代谢模型复杂分析的新型多智能体系统。该系统将自然语言生物学问题转化为可执行的工作流，使研究人员能够更有效地探索细胞状态和疾病。MechAInistic已证明其在识别类风湿性关节炎和多发性硬化症等疾病的潜在治疗靶点和药物再利用候选物方面的效用。
-
Koopman算子理论从肌电信号预测抓握力
研究人员开发了一种新颖的方法，利用Koopman算子理论从表面肌电图（sEMG）信号预测抓握力。该方法旨在通过精确估计和预测手部抓握力来改进机器人康复，即使只有一个sEMG传感器对。该系统在抓握力估计方面实现了约5.5%的加权平均绝对百分比误差，并展示了适合实时应用的快速处理时间。
-
Viz.ai 和 Cortechs.ai 合作，通过人工智能驱动的 MRI 分析来改善 MS 护理
Viz.ai 和 Cortechs.ai 已达成合作，将定量脑部 MRI 分析整合到临床协调工作流程中，最初重点关注多发性硬化症 (MS) 护理。Cortechs.ai 的 NeuroQuant MS 软件将提供病灶负担和脑容量测量，然后通过 Viz.ai 的平台交付给临床医生。此次合作旨在提高监测 MS 患者细微变化的效率和一致性，从而支持更好的临床决策和患者预后。
-
AI模型可检测隐藏的多发性硬化症病灶
一款新开发的人工智能模型能够识别出先前不可见的与多发性硬化症相关的病灶。这种由AI驱动的方法有望增强诊断能力，并可能为这种神经系统疾病带来更具针对性的治疗方法。
-
为多发性硬化症的智能手机步态测量方法建立新的 MCID
研究人员已为多发性硬化症 (MS) 患者的智能手机衍生步态测量方法建立了最小临床重要差异 (MCID)。这些 MCID 使用 CONSONANCE 研究中的锚定方法确定，为解释有意义的步态变化提供了阈值。研究结果旨在促进数字步态指标在 MS 结局评估和临床试验中的应用，从而实现更客观的患者监测和个性化护理。
-
AI 模型在通过 MRI 扫描诊断神经退行性疾病方面展现出潜力
研究人员开发了先进的深度学习框架，以提高使用 MRI 扫描诊断神经退行性疾病的准确性。一种名为 NeuroBridge 的方法采用多任务学习框架，将自监督预训练与特定的诊断目标相结合，在识别不同患者群体的阿尔茨海默病和轻度认知障碍等疾病方面取得了高精度。另一种模型 End-Net 采用深度多尺度神经网络，旨在捕捉细微的解剖学差异，用于神经系统疾病的多类别分类，表现出卓越的性能和泛化能力。这两种方法都旨在提高诊断的准确性和可及性，其中 …
-
FLKit工具包简化了健康科学领域联邦学习的入门流程
一款名为FLKit的新工具包已被开发出来，旨在简化联邦学习项目的入门流程，尤其是在健康和生命科学领域。这个开放的、社区维护的资源引导多学科团队完成整个联邦学习生命周期，为临床、法律、治理和技术贡献者提供特定角色的入口。FLKit围绕四个生命周期阶段构建，包含一个术语表、一个规划模板和一个工具目录，现有的FL Stories记录了多发性硬化症和基因组学等领域的项目。
-
新型扩散模型增强 MS 病灶 MRI 扫描合成
研究人员开发了 Lesion-DDPM，一个新颖的 3D 条件扩散框架，旨在为多发性硬化症 (MS) 研究合成医学图像。该方法特别增强了准确表示 MS 数据集中常见的小而稀疏的病灶的图像生成能力。通过结合多级解剖掩模注入和病灶加权重建损失，Lesion-DDPM 旨在提高神经影像机器学习模型的鲁棒性。实验表明，在 Lesion-DDPM 生成的扫描上训练的模型，与在现有合成数据集或仅真实扫描上训练的模型相比，在下游病灶分割任务上取得了更好的性能。
-
AI模型利用多模态MRI数据对MS病变进行分类
研究人员开发了一种新颖的3D多模态深度学习框架，利用定量磁化率成像（QSM）和FLAIR MRI对多发性硬化症（MS）患者的顺磁性边缘病变（Rim+）进行分类。该方法通过使用QSM作为主要信号，并以FLAIR结构上下文为条件，来模拟模态不对称性。该方法利用自监督多模态预训练，然后进行监督微调，以在数据有限的情况下提高鲁棒性。该框架在一组88名MS患者的队列中进行了评估，在先前用于慢性活动性病变自动识别的架构上表现出性能提升。