multiple sclerosis
PulseAugur coverage of multiple sclerosis — every cluster mentioning multiple sclerosis across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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。
-
新的谱嵌入方法改进了罕见病数据分析
研究人员开发了一种新的基于谱的无监督表示学习框架，专门用于利用电子健康记录为罕见病群体中的临床概念和患者创建低维嵌入。该方法通过整合来自更广泛人群的知识矩阵，解决了样本量有限的高维数据挑战。与以前的方法不同，它放宽了严格的信号对齐假设，允许更灵活的知识共享，并在模拟和真实世界的多发性硬化症队列分析中表现出优越的性能，尤其是在共享信号较弱或未对齐时。
-
Transformer模型在多发性硬化症脉络丛分割中实现高精度
研究人员开发了一种新的基于SwinUNETR的流程，用于分割多发性硬化症患者的脉络丛，达到了0.868的Dice相似系数（DSC）。该方法显著优于3D UXNET模型，尤其是在仅使用FLAIR输入时，并将计算负荷降低了99%。该方法利用局部块采样进行高效准确的分割，使其适用于广泛的临床和研究应用。
-
新的AI模型可跨时间与对比度类型分割MS病灶
研究人员开发了TimeLesSeg，一个用于分割医学影像中多发性硬化症病灶的新型框架。该统一模型无需对比剂即可处理横断面和纵向数据，克服了现有方法的局限性。TimeLesSeg利用随机生成模型模拟病灶演变，并通过域随机化实现对比度无关性，在多个数据集上表现优于现有最先进的方法。
-
大型语言模型可以通过比较问题揭示临床关联，辅助医疗决策。
研究人员开发了一种新颖的方法，利用结构化的比较问题从大型语言模型（LLMs）中提取临床变量之间的关联。该方法在COPD和多发性硬化症等领域进行了演示，采用患者比较三元组问题和统计模型来估计相关性，而无需直接访问LLM的内部工作原理。该方法旨在为从LLM训练数据中的隐式相关性到潜在因果陈述提供一条谨慎的途径，以支持医疗决策。