KI und seltene neurologische & neuroimmunologische Erkrankungen ── 2026-10-26
Neue Studien zu seltenen neurologischen und neuroimmunologischen Erkrankungen und KI, gesammelt aus Journal-Feeds, PubMed (über alle Journale durchsucht) und OpenAlex (ein öffentlicher Index, der anstelle von Google Scholar verwendet wird), beurteilt von Jev (einer KI, die sprachliche Urteile fällt): Originalforschung, KI zentral, welche von 9 Krankheitsgruppen, Behandlung oder klinische Studien, und anschließend nach Wichtigkeit bis zu einem Tageslimit gerankt. Journale werden nicht nach Impact Factor gefiltert; jede Studie zeigt das IF-Äquivalent ihres Journals (OpenAlex-Zweijahresmittel der Zitationshäufigkeit) und das Datum dieses Werts. Jeder Eintrag zeigt die vollständige Original-Zusammenfassung.
Nach Erkrankung lesen: Grundlagenforschung（0） · ALS（0） · Parkinson（2） · Hereditäre Neurodegeneration（1） · Neuromuskulär（0） · Multiple Sklerose（1） · NMOSD/MOGAD（0） · Myasthenia gravis（0） · Autoimmunenzephalitis/CIDP/GBS（0）
Forschung zu Neurodegeneration und Neuroimmunologie und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
ALS: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Parkinson-Krankheit und Parkinsonismus: Behandlung, Studien und KI
- Zusammenfassung
HINTERGRUND: Die Parkinson-Krankheit (PD) ist durch eine fortschreitende motorische Dysfunktion gekennzeichnet, bei der Gangstörungen häufig früh auftreten, in diagnostischen Frameworks jedoch weiterhin kaum berücksichtigt werden. Fortschritte bei tragbaren Sensortechnologien ermöglichen eine hochauflösende Quantifizierung der Gangdynamik, doch die klinische Umsetzung solcher hochdimensionaler Daten ist durch Redundanz und Modell-Overfitting begrenzt. ZIEL: Bestimmung der explorativen diagnostischen Wirksamkeit der Synthese von aus tragbaren Sensoren abgeleiteten Gangparametern, kognitiven Scores und Blutbiomarkern unter Einsatz eines zweistufigen Dimensionsreduktions-Frameworks in Kombination mit maschinellem Lernen mittels logistischer Regression zur präzisen Identifikation von PD. METHODEN: In dieser Querschnittsstudie wurden demografische Merkmale, Blutbiomarker, kognitive Beurteilungen und aus tragbaren Sensoren abgeleitete Gangparameter von PD-Patienten und angepassten Kontrollpersonen erhoben. Nach anfänglichen Gruppenvergleichen wurde eine LASSO-Regression (least absolute shrinkage and selection operator) angewendet, um Kandidatenprädiktoren aus multimodalen Variablen zu identifizieren. Anschließend wurde eine Hauptkomponentenanalyse (PCA) durchgeführt, um die Dimensionalität zu reduzieren und latente Strukturen zu extrahieren. Logistische Regressionsmodelle wurden sowohl mit den ursprünglichen LASSO-selektierten Variablen als auch mit PCA-abgeleiteten Komponenten erstellt. Die Modellleistung wurde mittels 10-facher Kreuzvalidierung bewertet, wobei die Diskriminierung durch die Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) und die Genauigkeit quantifiziert wurde. ERGEBNISSE: Die Baseline-Merkmale waren zwischen den Gruppen vergleichbar, mit Ausnahme des Alters. LASSO identifizierte 22 potenzielle Prädiktoren, die demografische, biochemische, kognitive und Gang-Domänen umfassten. PCA kondensierte diese Variablen weiter zu sechs Hauptkomponenten, die 62.983% der Gesamtvarianz erklärten. Unter Verwendung eines strengen verschachtelten Kreuzvalidierungs-Frameworks an der primären Kohorte erreichte das PCA-basierte Modell eine interne mittlere AUC von 0.949 bei einer Genauigkeit von 0.827. Darüber hinaus zeigte das finalisierte PCA-basierte Modell, evaluiert an einer vollständig unabhängigen externen Kohorte ( N = 36) zur Sicherstellung der Generalisierbarkeit, eine robuste diagnostische Leistung mit einer AUC von 0.891 und einer Genauigkeit von 0.750. Beide Ansätze zeigten eine robuste diskriminative Fähigkeit, wobei die Dimensionsreduktion die Gesamteffizienz und Stabilität verbesserte. SCHLUSSFOLGERUNG: Die Integration tragbarer Gangsignaturen mit LASSO-PCA-Dimensionsreduktion und logistischer Regression liefert eine zuverlässige, interpretierbare PD-Klassifikation, wobei PCA-kondensierte Merkmale eine erhöhte diagnostische Effizienz zeigen. Diese Ergebnisse rechtfertigen eine externe Validierung in multizentrischen, longitudinalen Kohorten, um ein nicht-invasives, sensorbasiertes PD-Screening voranzubringen.
Journal-IF-Äquivalent: 2.6 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-08, abgerufen am 2026-10-09; nicht der offizielle Clarivate-IF)Referenz: Hong G, Wen X, Gao J, Lin J, Zumulaiti S, Yang Y, et al. Aus Wearable-Sensorik–abgeleitete Gangsignaturen für Morbus Parkinson: eine explorative diagnostische Studie, die Dimensionsreduktion und maschinelles Lernen integriert. Front Med (Lausanne). 2026 Oct 8;13:1939598. doi:10.3389/fmed.2026.1939598; PMCID: PMC13686899.Geprüft: Volltext geprüft - Zusammenfassung
HINTERGRUND: Eine Stimmbeeinträchtigung stellt einen deutlichen prodromalen Biomarker für die Parkinson-Krankheit (PD) dar. Bestehende Deep-Learning-Lösungen beruhen jedoch häufig auf rechenintensiven Architekturen oder verzerrten Validierungsprotokollen. Diese Studie schlägt das leichtgewichtige spektrotemporale Hybridnetzwerk (LST-Net) vor, ein ressourceneffizientes Framework für ein robustes PD-Screening. METHODEN: Das Modell verwendet eine Dual-Stream-Architektur, die gleichzeitig rohe eindimensionale Wellenformen und zweidimensionale Mel-Spektrogramme verarbeitet, um komplementäre Hinweise zu erfassen, insbesondere kurzzeitige zeitliche Jitter und spektrale Energiemuster. Die vorgeschlagene Architektur wurde anhand des Italian Parkinson's Voice and Speech-Datensatzes unter Verwendung eines strikten personenunabhängigen 5-fach-Kreuzvalidierungsprotokolls evaluiert, um Datenlecks zu vermeiden. ERGEBNISSE: Das vorgeschlagene LST-Net erreichte eine robuste Genauigkeit auf Segmentebene von 96.69%. Durch die Umsetzung einer Mehrheitsabstimmungsstrategie auf Subjektebene, die die klinische Diagnose nachahmt, bei der Patienten im Zeitverlauf beurteilt werden, klassifizierte das Modell erfolgreich alle Subjekte in den zurückgehaltenen Testsets (100% Genauigkeit auf Subjektebene). Eine quantitative Gradient-weighted Class Activation Mapping-Analyse bestätigte den Fokus des Modells auf klinisch relevantem niederfrequentem Tremor (mittlere Energie: 61.56% ±27.90%). SCHLUSSFOLGERUNGEN: Dieses Framework zeigt, dass explizite spektrotemporale Fusion eine überlegene diagnostische Leistung ohne hohe Rechenlast ermöglicht, und bietet eine überprüfbare und skalierbare Lösung für den Echtzeiteinsatz auf Edge-Geräten.
Zeitschriften-IF-Äquivalent: 3.0 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-24, abgerufen am 2026-10-26; nicht der offizielle Clarivate IF)Referenz: [Keine Autoren angegeben]. Subject-independent Parkinson's Disease Detection through A Lightweight Spectrotemporal Hybrid Network. J Med Signals Sens. [Epub vor dem Druck]. doi:10.4103/jmss.jmss_137_25. PMID: 42924316.Geprüft: Nur Zusammenfassung
Alle 2 Beiträge zu Parkinson ansehen →
Hereditäre neurodegenerative Erkrankungen: Behandlung, Studien und KI
- Zusammenfassung
HintergrundDie zerebelläre Ataxie ist durch Auffälligkeiten in Gang, Sprache, Augenbewegung und Koordination gekennzeichnet, was eine genaue Erkennung erschwert.ZielDiese Studie entwickelt ein leichtgewichtiges multimodales Deep-Learning-(DL-)Framework zur Erkennung zerebellärer Ataxie.StudiendesignDer vorgeschlagene Ansatz integriert Sprach-, Blick- und Körperhaltungsmerkmale aus unabhängigen öffentlichen Datensätzen und führt eine multimodale Merkmalsfusion auf Klassenebene durch, um komplementäre motorische und verhaltensbezogene Hinweisreize zu erfassen. Feinkörnige Merkmale wie Mel Frequency Cepstral Coefficients (MFCCs) und vokale Perturbationsmaße, Blickfixationsdynamiken sowie spatiotemporale Körperhaltungsmerkmale werden mit Python-kompatiblen Tools extrahiert. Jede Modalität wird mit einem spezifischen, auf einem Multilayer Perceptron (MLP) basierenden Encoder verarbeitet, um kleine Embeddings zu erzeugen, die durch Merkmalskonkatenation fusioniert und von einem vollständig verbundenen MLP-Klassifikator verarbeitet werden. Um eine stabile Konvergenz und robuste Generalisierungsfähigkeit auf begrenzten und verrauschten klinischen Daten sicherzustellen, wird ein neuartiger hybrider Optimierer, Adaptive Sharp-Lookahead Lite, verwendet.ErgebnisseDie experimentellen Ergebnisse zeigen, dass das vorgeschlagene Framework unter der gewählten Versuchsanordnung eine Genauigkeit von 99.56% bei der Unterscheidung von Ataxie und Normalfällen erreicht.SchlussfolgerungenDie Befunde belegen das Potenzial des Frameworks als leichtgewichtigen KI-basierten Screening-Ansatz für ressourcenbeschränkte Umgebungen.
Journal-IF-Äquivalent: 2.5 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate-IF)Referenz: A N, V S. Leichtgewichtiges multimodales Deep-Learning-Framework zur Erkennung zerebellärer Ataxie unter Verwendung eines MLP-Encoders und eines Hybridoptimierers. Percept Mot Skills. 2026 Okt. 24 [Vorab-Onlineveröffentlichung]. doi:10.1177/00315125261501241. PMID: 42925486.Geprüft: Nur Zusammenfassung
Alle 1 Paper zu erblicher Neurodegeneration ansehen →
Neuromuskuläre Erkrankungen (Muskeldystrophie, SMA): Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Multiple Sklerose: Behandlung, Studien und KI
- Zusammenfassung
Die strukturellen und funktionellen Konnektome des Gehirns (SC und FC) bieten Einblicke in die Beziehung zwischen neuronalen Schaltkreisen und kognitiver Leistungsfähigkeit bei Menschen mit multipler Sklerose (MS). Die zur Extraktion von SC und FC eingesetzte Diffusions- und funktionelle MRT ist jedoch teuer und zeitaufwendig und wird daher derzeit nicht im klinischen Umfeld eingesetzt. Unsere frühere Arbeit zeigte, dass geschätzte SC und FC (eSC und eFC), die mit MS-Läsionsmasken und Modellen der künstlichen Intelligenz (KI) erzeugt werden, eine Behinderung bei MS ebenso genau vorhersagen können wie SC und FC aus Diffusions- und funktioneller MRT. In dieser Studie identifizieren wir die eSC- und eFC-Gehirnschaltkreise, die mit der Kognition zu Beginn und im 4-Jahres-Follow-up zusammenhängen, und bewerten die Fähigkeit von eSC und eFC, die Kognition bei MS vorherzusagen. In einer Kohorte von 171 Personen mit MS wurde das Network Modification tool durchgeführt, um SC aus der MS-Läsionsmaske zu schätzen, die aus strukturellen MRT-Aufnahmen extrahiert wird. Das eSC wurde dann als Eingabe für Krakencoder, ein Encoder-Decoder-Modell, verwendet, um FC zu schätzen. Die höchste Genauigkeit wurde bei der Vorhersage des Follow-up Symbol Digit Modalities Test (SDMT) mit regionalem eSC oder eFC erzielt, mit einem medianen Spearman-Korrelationskoeffizienten von 0.58 für eSC und 0.56 für eFC. Verringertes eSC und eFC im Kleinhirn sowie erhöhtes eFC im Default Mode Network waren mit niedrigeren Follow-up-SDMT-Werten verbunden. Unsere Ergebnisse zeigen, dass eSC und eFC aus klinisch gewonnenen MRT-Aufnahmen und KI-Modellen die Kognition wirksam vorhersagen können. Die Verwendung läsionsbasierter Konnektom-Schätzungen könnte klinische Studien informieren, indem die spezifischen Gehirnschaltkreise identifiziert werden, die für nicht-invasive Behandlungen zur Verbesserung der kognitiven Funktion bei MS gezielt adressiert werden könnten. Forscher nutzten KI und klinisch gewonnene MRT-Aufnahmen, um neuronale Konnektivitätsnetzwerke bei Menschen mit multipler Sklerose zu schätzen, und fanden, dass diese Schätzungen die kognitive Leistungsfähigkeit vier Jahre später mäßig genau vorhersagen können, wobei sie zentrale an der Kognition beteiligte Gehirnschaltkreise hervorhoben.
Journal-IF-Äquivalent: 18.6 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate-IF)Referenz: Tozlu C, Ong D, Piccirillo C, Schwartz H, Jaywant A, Nguyen T, et al. Vorhersage der Kognition im Verlauf anhand geschätzter Netzwerke struktureller und funktioneller Konnektivität und künstlicher Intelligenz bei Multipler Sklerose. Nat Commun. 2026 Oct 23 [Epub ahead of print]. doi:10.1038/s41467-026-75827-7.Geprüft: Nur Zusammenfassung
Alle 1 Multiple-Sklerose-Paper ansehen →
NMOSD und MOGAD: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Myasthenia gravis: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Autoimmunenzephalitis, CIDP und Guillain-Barré-Syndrom: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.