AI dan Penyakit Langka Neurologis & Neuroimun ── 2026-10-25

2 makalah dalam edisi ini. Utama: Kerangka kerja pembelajaran mendalam untuk pelabelan otomatis vertebra sumsum tulang belakang servikal dan ekstraksi morfometrik dari MRI otak dengan validasi multisenter skala besar

Makalah baru tentang penyakit langka saraf dan neuroimun serta AI, dikumpulkan dari feed jurnal, PubMed (dicari di semua jurnal) dan OpenAlex (indeks publik yang digunakan sebagai pengganti Google Scholar), dinilai oleh Jev (AI yang membuat penilaian bahasa): penelitian orisinal, AI sebagai inti, termasuk salah satu dari 9 kelompok penyakit, terapi atau uji coba, lalu diberi peringkat berdasarkan kepentingan hingga batas harian. Jurnal tidak disaring berdasarkan faktor dampak; setiap makalah menampilkan IF-ekuivalen jurnalnya (rata-rata sitasi dua tahun OpenAlex) dan tanggal nilai tersebut. Setiap entri menampilkan abstrak asli secara lengkap.

Baca menurut penyakit: Penelitian dasar（1） · ALS（0） · Parkinson（0） · Neurodegenerasi herediter（0） · Neuromuskular（0） · Sklerosis multipel（1） · NMOSD/MOGAD（0） · Miastenia gravis（0） · Ensefalitis autoimun/CIDP/GBS（0）

Penelitian neurodegenerasi dan neuroimunologi serta AI

Kerangka kerja deep learning untuk pelabelan otomatis vertebra sumsum tulang belakang servikal dan ekstraksi morfometrik dari MRI otak dengan validasi multisenter skala besar
npj Digital Medicine · 2026-10-23 · Bukti: Pengembangan model dan validasi eksternal pada data MRI multisenter yang sudah ada (observasional)
Abstrak
Studi ini bertujuan untuk mengembangkan dan memvalidasi pipeline yang sepenuhnya otomatis untuk identifikasi level vertebra (C1–C3) pada korda spinal servikal atas (SC) dalam MRI otak berbobot T1 dengan modul kontrol kualitas untuk menilai mask yang dihasilkan. Data MRI dari 998 kontrol dan 879 pasien dengan ataksia herediter (32 situs; usia 5–85 tahun; 46% laki-laki) digunakan untuk melatih model deep learning (nnU-Net, U-Net with deep supervision, SwinUNETR) untuk pelabelan vertebra otomatis pada level C1–C3. Sebuah model sekunder berbasis arsitektur VGG, ResNet, dan EfficientNet dilatih untuk mengidentifikasi kesalahan pelabelan vertebra. Pipeline ini juga menghasilkan metrik kualitas citra termasuk rasio sinyal-ke-derau, rasio kontras-ke-derau, koefisien variasi gabungan, dan kriteria fokus entropi. Validasi eksternal dilakukan menggunakan 2737 MRI dari empat dataset publik, dan kegunaan klinis didemonstrasikan pada kohort longitudinal berisi 51 pasien dengan sklerosis multipel. nnU-Net mencapai kinerja tertinggi (Dice: C1 = 0.85, C2 = 0.89, C3 = 0.89), melabeli dengan benar 95.8% kasus yang salah label dari Spinal Cord Toolbox. Klasifikator berbasis VGG mencapai akurasi 97.9% dan sensitivitas 98.7%. Validasi eksternal menunjukkan akurasi pelabelan melebihi 92% pada empat dari lima dataset serta sensitivitas terhadap atrofi SC longitudinal pada sklerosis multipel. Pipeline ini memungkinkan pelabelan vertebra yang skalabel dan andal serta ekstraksi morfometrik SC servikal atas untuk studi multisenter dan mendukung pengembangan biomarker pada penyakit neurodegeneratif.
Setara IF jurnal: 13.9 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-18, diakses 2026-10-19; bukan IF resmi Clarivate)
Referensi: Jarola GM, Shiraishi DH, Adanyeguh IM, Ashizawa T, Barsottini OGP, Bender B, dkk. Kerangka deep learning untuk pelabelan vertebral otomatis pada medula spinalis servikal dan ekstraksi morfometrik dari MRI otak dengan validasi multisenter skala besar. npj Digit Med. 2026 Okt 23 [Epub ahead of print]. doi:10.1038/s41746-026-03403-w.
Diperiksa: Hanya abstrak

Lihat semua 1 makalah riset dasar →

ALS: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Penyakit Parkinson dan parkinsonisme: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Penyakit neurodegeneratif herediter: pengobatan, uji coba, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Penyakit neuromuskular (distrofi otot, SMA): pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Multiple sclerosis: pengobatan, uji klinis, dan AI

Memprediksi Kemampuan Keseimbangan dan Menjelaskan Strategi Kontrol dari Sensor Gerak VR: Pendekatan Skor Keseimbangan Turunan CoP yang Dapat Diinterpretasikan untuk Sklerosis Multipel
International ACM SIGACCESS Conference on Computers and Accessibility (ASSETS) · 2026-10-23 · Bukti: Studi observasional dengan pengembangan model machine learning menggunakan dataset publik (n = 37)
Abstrak
Memahami keseimbangan dalam realitas virtual (VR) penting tidak hanya untuk mengukur apakah pengguna stabil atau tidak stabil tetapi juga untuk menjelaskan bagaimana stabilitas dipertahankan selama interaksi imersif. Hal ini terutama penting bagi orang dengan Multiple Sclerosis (MS), karena tingkat keseimbangan keseluruhan yang serupa dapat disertai pola gerakan yang berbeda antar individu. Pendekatan berbasis VR yang ada umumnya berfokus pada sinyal sway mentah, perbandingan validitas konkuren, atau klasifikasi spesifik tugas, dan jarang menangkap keseimbangan sebagai satu ukuran kontinu atau menjelaskan pola gerakan yang mendasari pemeliharaan stabilitas. Dengan menggunakan dataset multimodal yang tersedia untuk umum berupa rekaman head-mounted display (HMD), controller, center-of-pressure (CoP), dan motion-capture dari 37 partisipan (15 MS, 22 non-MS), kami menghadirkan kerangka kerja tiga tahap untuk memprediksi dan menafsirkan kemampuan keseimbangan dari sensor gerak HMD dan controller. Pertama, kami mengembangkan skor keseimbangan kontinu yang diturunkan dari CoP berdasarkan fitur CoP standar, merepresentasikan keseimbangan sebagai satu ukuran yang dapat dikomunikasikan, dan memeriksa konsistensinya di seluruh partisipan MS dan non-MS. Kedua, kami memprediksi skor ini dari sensor HMD dan controller menggunakan machine learning. Ketiga, kami menganalisis gerakan VR untuk mengidentifikasi pola eksploratif di luar tingkat keparahan skor keseimbangan keseluruhan dan menguji apakah prevalensi tingkat partisipannya berbeda antara kelompok MS dan non-MS. Skor keseimbangan menunjukkan reliabilitas antar-trial yang moderat dan pola korelasi fitur-ke-skor yang serupa di seluruh kelompok MS dan non-MS. Prediksi dievaluasi pada dua tingkat: tingkat window, yang menggunakan segmen pendek data sensor gerak VR dari HMD dan controller, dan tingkat partisipan, yang menggabungkan semua segmen untuk satu partisipan menjadi satu prediksi tingkat partisipan. CatBoost menunjukkan kinerja prediktif keseluruhan yang terkuat. Pada tingkat window, ia mencapai R2 = 0.388, MAE = 0.597, dan RMSE = 0.782. Pada tingkat partisipan, ia mencapai R2 = 0.715, Pearson, r = 0.867, dan Spearman, ρ = 0.838. Skor keseimbangan juga selaras dengan kecepatan rata-rata center-of-mass (CoM) yang diturunkan dari motion-capture, memberikan landasan biomekanis tambahan dalam dataset yang tersedia. Analisis pola gerakan mengidentifikasi dua pola eksploratif yang berbeda: pola dominasi kepala yang lebih rendah, yang dicirikan oleh kontribusi tangan yang relatif lebih besar, dan pola dominan kepala, yang dicirikan oleh kontribusi kepala yang relatif lebih besar. Meskipun pola dominan kepala terjadi lebih sering pada tingkat window deskriptif di antara partisipan dengan MS, perbandingan tingkat partisipan tidak memberikan bukti yang signifikan secara statistik adanya perbedaan kelompok. Temuan ini menunjukkan bahwa gerakan headset dan controller VR saja dapat mendukung prediksi kemampuan keseimbangan pada tingkat partisipan sekaligus memberikan wawasan eksploratif tentang organisasi relatif gerakan kepala dan tangan selama interaksi imersif.
IF jurnal: tidak diketahui (tidak dapat dicocokkan)
Referensi: Pavel MI, Anjum N, Cordova A, Quarles J, Mahmud MR. Memprediksi Kemampuan Keseimbangan dan Menjelaskan Strategi Kontrol dari Sensor Gerak VR: Pendekatan Skor Keseimbangan Turunan CoP yang Dapat Diinterpretasikan untuk Sklerosis Multipel. Proceedings of the 2026 28th International ACM SIGACCESS Conference on Computers and Accessibility. 2026 Okt 24 [Epub ahead of print]. doi:10.1145/3797867.3828977.
Diperiksa: Hanya abstrak

Lihat semua 1 makalah multiple sclerosis →

NMOSD dan MOGAD: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Myasthenia gravis: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Ensefalitis autoimun, CIDP, dan sindrom Guillain-Barré: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Bagaimana makalah dipilih: (1) dikumpulkan dari umpan jurnal, PubMed (semua jurnal), dan OpenAlex; (2) editorial, koreksi, dan item tanpa istilah bidang/AI dihapus; (3) Jev menilai empat hal (penelitian orisinal ≥ 0,6, AI ≥ 0,6, salah satu dari 9 kelompok penyakit, pengobatan/uji klinis ≥ 0,5 untuk kelompok penyakit); (4) diurutkan berdasarkan tingkat kepentingan menurut Jev hingga batas harian (dua per kelompok); (5) ekuivalen IF hanya ditampilkan jika Jev memastikan kecocokan jurnal. Makalah yang tidak dapat dinilai oleh Jev tidak ditampilkan.