KI und seltene Erkrankungen ── 2026-10-16
Neue Studien zu seltenen Erkrankungen (außer neurologischen und Krebs) 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 8 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: Plattformen（0） · Angeborene Stoffwechselstörungen（0） · Genetische Syndrome（0） · Seltene Bluterkrankungen（1） · Immun- und Bindegewebe（0） · Herz und Lunge（2） · Niere, Leber und Darm（1） · Haut und Knochen（0）
Plattformen für Diagnose und Wirkstoffforschung bei seltenen Erkrankungen und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Angeborene Stoffwechselstörungen: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Genetische Syndrome und seltene Erkrankungen im Kindesalter: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Seltene Bluterkrankungen: Behandlung, Studien und KI
- Zusammenfassung
Die Sichelzellkrankheit (SCD) birgt ernste Gesundheitsrisiken und erfordert eine genaue Klassifikation für eine wirksame Behandlung. Bei SCD nehmen rote Blutkörperchen (RBCs) aufgrund einer Mutation im Hämoglobin-Gen eine Sichelform an, was die Sauerstoffversorgung beeinträchtigt und zu Verstopfungen in den Blutgefäßen führt. Eine genaue SCD-Klassifikation anhand von Blutausstrichbildern bleibt jedoch aufgrund von Bildrauschen, Variationen in der RBC-Morphologie und überlappenden Zellen schwierig. Um diese Herausforderungen zu bewältigen, stellt diese Studie einen auf Deep Learning (DL) basierenden Ansatz namens Pyramid Shepard convolutional neural network (PShCN-Net) zur Klassifikation von SCD anhand von Blutausstrichbildern vor. Der Prozess beginnt mit der Bildentrauschung mithilfe des Medav-Gaussian-(MG-)Filters, gefolgt von der Zellsegmentierung mittels Tsallis-Entropie-basierter Schwellenwertbildung. Zur Steigerung der Robustheit des Modells wird Bildaugmentierung angewendet, und es werden geometrische sowie statistische Merkmale erster Ordnung extrahiert. Die Klassifikation erfolgt anschließend mit dem vorgeschlagenen PShCN-Net, das die Architekturen PyramidNet und Shephard convolutional neural network für eine höhere Genauigkeit kombiniert. PShCN-Net erreicht bei einem Test mit 90 % der Trainingsdaten eine Genauigkeit von 91,945 %, eine Richtig-positiv-Rate von 93,235 %, eine Richtig-negativ-Rate von 92,345 %, eine Präzision von 91,437 %, einen F1-Score von 92,327 %, eine Falsch-positiv-Rate von 7,655 % und eine Falsch-negativ-Rate von 6,765 %. Künftige Arbeiten werden sich auf die Validierung des PShCN-Net mit größeren und vielfältigeren multizentrischen Blutausstrich-Datensätzen konzentrieren, um seine Generalisierbarkeit und klinische Anwendbarkeit weiter zu beurteilen.
Journal-IF-Äquivalent: 5.2 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-06, abgerufen am 2026-10-07; nicht der offizielle Clarivate-IF)Referenz: Ponnada S, Majji R, Rout AK, Selvaraju S. Klassifikation der Sichelzellkrankheit mit Medav-Gaußfilter und Pyramid-Shepard-CNN. Sci Rep. 2026 Oct 13 [Epub vor Drucklegung]. doi:10.1038/s41598-026-75109-8.Geprüft: Nur Zusammenfassung
Alle 1 Beiträge zu seltenen Bluterkrankungen ansehen →
Autoinflammatorische Erkrankungen, Immundefekte und seltene Bindegewebserkrankungen: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Seltene Herz-Kreislauf- und Atemwegserkrankungen: Behandlung, Studien und KI
- Zusammenfassung
Hintergrund: Die idiopathische pulmonal-arterielle Hypertonie (IPAH) weist krebsähnliche Merkmale auf, doch ihre Pathogenese bleibt unklar. Angesichts molekularer Ähnlichkeiten zwischen IPAH und dem malignen Pleuramesotheliom (MPM) zielte diese Studie darauf ab, gemeinsame Transkriptommuster aufzudecken.
Methoden: GEO-Datensätze zu IPAH und MPM wurden analysiert. Überlappende DEGs und WGCNA-Module wurden identifiziert. Eine PPI-Netzwerkanalyse in Kombination mit LASSO, Random Forest und SVM-RFE wurde eingesetzt, um Kandidaten-Biomarkergene zu identifizieren. Ein Klassifikationsmodell wurde erstellt und mittels Leave-one-out-Kreuzvalidierung und Bootstrap-Optimismuskorrektur evaluiert. Die Immuninfiltration wurde mittels ssGSEA bewertet. Molekulares Docking und MD-Simulationen untersuchten die Wirkstoffbindung an Kandidaten-Zielproteine. qRT-PCR validierte die Expression der Kandidaten-Biomarkergene.
Ergebnisse: Sechs konkordant hochregulierte und elf konkordant herunterregulierte DEGs waren zwischen IPAH und MPM gemeinsam. Hochregulierte Gene waren in der Zellzyklusregulation angereichert, herunterregulierte Gene in der Neutrophilen-Chemotaxis. WGCNA identifizierte 58 überlappende Gene. CXCR2, S100A9 und LCN2 wurden als Kandidaten-Biomarkergene identifiziert. Eine ROTS-Sensitivitätsanalyse bestätigte, dass alle 1710 MPM-DEGs trotz des unausgewogenen Fall-Kontroll-Verhältnisses beim entsprechenden FDR-Schwellenwert <0.05 reproduzierbar und in der Richtung konkordant waren. Das Klassifikationsmodell erreichte AUC-Werte von 0.909 und 0.875 im Trainings- bzw. im externen Validierungsdatensatz, mit einer LOOCV-AUC von 0.879 und einer optimismuskorrigierten AUC von 0.896. Die Immuninfiltration zeigte bei IPAH vermehrte Th17-Zellen, aber verminderte Neutrophile. Die Expression von CXCR2 und S100A9 korrelierte mit der Neutrophileninfiltration; die Expression von LCN2 korrelierte mit der metabolischen Umprogrammierung. Navarixin zeigte die stärkste Bindungsaffinität zu CXCR2 (−10.1 kcal/mol). MD-Simulationen bestätigten die stabile Bindung des CXCR2-Navarixin-Komplexes. qRT-PCR bestätigte eine signifikante Herunterregulierung aller drei Gene bei IPAH-Patientinnen und -Patienten.
Schlussfolgerung: Diese hypothesengenerierende Studie identifiziert gemeinsame Transkriptom-Signaturen zwischen IPAH und MPM und hebt CXCR2, S100A9 und LCN2 als Kandidaten-Biomarker hervor, die mit Immundysregulation und metabolischer Umprogrammierung verbunden sind. Der computergestützte und korrelative Charakter dieser Befunde sowie die begrenzte Größe der externen Validierungskohorte erfordern eine Bestätigung durch funktionelle Experimente und eine Validierung in größeren, unabhängigen und multizentrischen Kohorten, bevor eine klinische Übertragung in Betracht gezogen werden kann.
Journal-IF-Äquivalent: 3.0 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-15, abgerufen am 2026-10-16; nicht der offizielle Clarivate-IF)Referenz: Zhang N, Wang C, Wang R, Guo X, Yu J, Wang J, et al. Maschinelles Lernen, molekulares Docking und experimentelle Validierung identifizieren gemeinsame molekulare Signaturen zwischen idiopathischer pulmonaler arterieller Hypertonie und malignem Pleuramesotheliom: eine retrospektive Studie. Front Genet. 2026 Oct 14;17:1894027. doi:10.3389/fgene.2026.1894027.Geprüft: Nur Zusammenfassung - Zusammenfassung
Die personalisierte klinische Betreuung der idiopathischen Lungenfibrose (IPF) wird durch ihren komplexen longitudinalen Verlauf sowie fragmentierte, unstrukturierte Daten erschwert. Obwohl große Sprachmodelle (LLMs) und Retrieval-Augmented Generation (RAG) vielversprechend für die klinische Entscheidungsunterstützung sind, stoßen aktuelle Methoden bei der Abbildung dynamischer Krankheitsverläufe an Grenzen – aufgrund statischer Wissenskorpora, fehlenden zeitlichen Bewusstseins und der Anfälligkeit für semantisches Rauschen und Halluzinationen. Um dem zu begegnen, schlagen wir IPF-RAG vor, ein zeitbewusstes RAG-Framework für die longitudinale IPF-Versorgung. Auf Grundlage eines kuratierten Datensatzes von 58 Patientenverläufen umfasst das Framework zwei Kernmodule. Das Temporal-Retrieval-Modul erweitert das semantische Matching um eine zeitbewusste Evidenzverankerung und stellt zeitliche Zusammenhänge zwischen Krankheitsprogression und ärztlichen Anordnungen her. Anschließend integriert das Structured-Enhancement-Modul dieses zeitliche Wissen in strukturierte Prompts und wendet medizinisch-logische Einschränkungen an, um LLMs zu evidenzbasiertem Schlussfolgern zu führen. Experimente an internen und externen Datensätzen, bewertet durch automatisierte Verfahren und klinische Expertinnen und Experten, zeigen, dass IPF-RAG die Qualität der von LLMs erzeugten Behandlungspläne in mehreren Dimensionen verbessert. Diese Ergebnisse deuten darauf hin, dass der vorgeschlagene Ansatz LLMs bei klinischen Entscheidungen für komplexe chronische Erkrankungen wirksam unterstützt.
Journal-IF-Äquivalent: 5.0 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: Zheng X, Rui X, Long T, Wang L, Lv Z, Wang J, et al. IPF-RAG: zeitbewusste Retrieval-Augmented Generation für die Versorgung bei idiopathischer Lungenfibrose. Front Digit Health. 2026 Oct 14;8:1883739. doi:10.3389/fdgth.2026.1883739.Geprüft: Nur Zusammenfassung
Alle 2 Beiträge zu Herz und Lunge ansehen →
Seltene Nieren-, Leber- und Magen-Darm-Erkrankungen: Behandlung, Studien und KI
- Zusammenfassung
Die Oxford-MEST-C-Beurteilung der pädiatrischen Immunglobulin-A-Nephropathie (IgAN) stützt sich auf die Interpretation komplexer Nierenbiopsiestrukturen durch Pathologen. Eine automatisierte Segmentierung kann eine standardisierte Quantifizierung unterstützen, stößt jedoch durch Maßstabsvariation, unscharfe Grenzen und kleine Läsionen an Grenzen. Wir haben DU-KAN entwickelt, ein stufenangepasstes U-KAN-Framework, das einen flachen Dual-Branch-Encoder aus Faltung und MaxViT mit adaptierter heterogener Merkmalsfusion und einer Wavelet-Prototyp-Skip-Verstärkung kombiniert. Ein monozentrischer Datensatz mit 532 PAS-gefärbten (Periodic acid–Schiff) Bildern von 278 Kindern wurde auf Patientenebene aufgeteilt. Auf dem zurückgehaltenen Testsatz von 55 Patienten erreichte DU-KAN einen mittleren Dice-Wert von 69.58% über acht Klassen einschließlich Hintergrund (95%-Bootstrap-KI auf Patientenebene, 66.23–71.91) und übertraf damit U-KAN um 3.56 Prozentpunkte (95%-KI, 1.90–5.26). Der mittlere Dice-Wert für den Vordergrund betrug 65.42%. Auf dem Synapse-Benchmark für Abdomen-CT lag der mittlere Dice-Wert über acht Organe bei 87.21%, was eine aufgabenübergreifende architektonische Generalisierung belegt, jedoch keine externe Validierung bei pädiatrischer IgAN darstellt. Die Segmentierungsergebnisse wurden zudem zu MEST-C-bezogenen Indikatoren auf Fallebene aggregiert. In einer explorativen Auswertung von 40 Fällen betrug die vollständige Übereinstimmung über die fünf bewerteten Indikatoren 65.00% (26/40), während die Sensitivität für E 37.50% (3/8) und für T 50.00% (1/2) betrug. Die Übereinstimmung von 97.50% für T spiegelte weitgehend das Überwiegen negativer Fälle wider und belegte keine zuverlässige Erkennung positiver Fälle. DU-KAN verbessert die interne Segmentierungsleistung und ermöglicht eine strukturierte pathologische Quantifizierung, die Nierenpathologen eine ergänzende Referenz für die klinische Beurteilung liefern kann.
Journal-IF-Äquivalent: 5.4 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-15, abgerufen am 2026-10-16; nicht der offizielle Clarivate-IF)Referenz: Fu J, Cui H, Zhu Y, Gao T, Zhang P, Gao C. DU-KAN: A Dual-Domain Enhanced Deep-Learning Framework for Digital Pathology-Based Oxford MEST-C Assessment in Pediatric IgA Nephropathy. Bioengineering. 2026 Oct 13;13(10):1191. doi:10.3390/bioengineering13101191.Geprüft: Nur Zusammenfassung
Alle 1 Beiträge zu Niere, Leber und Darm ansehen →
Seltene Haut- und Knochenerkrankungen: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.