ИИ и неврологические редкие и нейроиммунные заболевания ── 2026-10-16
Новые статьи о редких неврологических и нейроиммунных заболеваниях и ИИ, собранные из журнальных лент, PubMed (поиск по всем журналам) и OpenAlex (открытый индекс, используемый вместо Google Scholar), оцененные Jev (ИИ, выносящим языковые суждения): оригинальное исследование, ИИ в центре работы, какая из 9 групп заболеваний, лечение или испытания, а затем ранжированные по важности в пределах суточного лимита. Журналы не фильтруются по импакт-фактору; для каждой статьи указан эквивалент IF её журнала (двухлетняя средняя цитируемость OpenAlex) и дата этого значения. В каждой записи приведена полная оригинальная аннотация.
Читайте по заболеваниям: Фундаментальные исследования（0） · БАС（0） · Болезнь Паркинсона（2） · Наследственная нейродегенерация（0） · Нервно-мышечные（0） · Рассеянный склероз (2) · NMOSD/MOGAD（0） · Миастения гравис（1） · Аутоиммунный энцефалит/ХВДП/СГБ（0）
Исследования нейродегенерации и нейроиммунологии и ИИ
Нового подходящего исследования для этого выпуска нет.
БАС: лечение, испытания и ИИ
Нового подходящего исследования для этого выпуска нет.
Болезнь Паркинсона и паркинсонизм: лечение, исследования и ИИ
- Аннотация
Предпосылки: Мультисистемная атрофия (МСА) часто ошибочно диагностируется как болезнь Паркинсона (БП) или прогрессирующий надъядерный паралич (ПНП), что создаёт серьёзные диагностические трудности.
Цель: Целью исследования была систематическая оценка эффективности машинного обучения (ML) в отличии МСА от других нейродегенеративных заболеваний.
Методы: Мы провели систематический поиск в PubMed, Embase, Cochrane Library и Web of Science (до 5 июля 2025 г.), включив диагностические исследования МСА на основе машинного обучения. Риск систематической ошибки оценивался по QUADAS‐2, а диагностические показатели были обобщены с помощью бивариантной модели смешанных эффектов.
Результаты: В систематический обзор вошли 51 исследование (3595 пациентов с МСА и 18 189 случаев в целом). Из них 38 исследований были включены в количественный синтез, а остальные 13 обобщены качественно. В основном анализе, сравнивавшем МСА с БП, объединённая чувствительность составила 0,86 (95% доверительный интервал [ДИ]: 0,81–0,90), специфичность — 0,87 (95% ДИ: 0,83–0,90), а площадь под суммарной ROC-кривой (SROC) (AUC) — 0,93 (95% ДИ: 0,90–0,95). В целом объединённая чувствительность составила 0,85 (95% ДИ: 0,82–0,88), специфичность — 0,92 (95% ДИ: 0,89–0,94), а AUC — 0,94 (95% ДИ: 0,92–0,96). Модели на основе позитронно-эмиссионной томографии (ПЭТ) показали наилучшие результаты (чувствительность: 0,90, специфичность: 0,96, AUC: 0,97), тогда как модели глубокого обучения превзошли остальные (чувствительность: 0,93, специфичность: 0,98, AUC: 0,99).
Вывод: Модели МО, объединяющие данные ПЭТ/магнитно-резонансной томографии (МРТ), демонстрируют высокую диагностическую точность при МСА. В дальнейшем следует уделить приоритетное внимание проспективной многоцентровой валидации и стандартизированному внешнему тестированию для облегчения клинического внедрения.
Аналог импакт-фактора журнала: 2.0 (среднее цитирование за 2 года по OpenAlex, значение на 2026-10-15, получено 2026-10-16; не официальный IF от Clarivate)Справка: Wang G, Nie C, Liu M. Точность машинного обучения в дифференциальной диагностике мультисистемной атрофии: систематический обзор и метаанализ. Movement Disord Clin Pract. 2026 Oct 14 [Epub ahead of print]. doi:10.1002/mdc3.70857.Проверено: Только аннотация - Аннотация
Предпосылки: Болезнь Паркинсона (БП) и прогрессирующий надъядерный паралич (ПНП) — нейродегенеративные заболевания, ключевым клиническим признаком которых является паркинсонизм. На ранних стадиях БП и ПНП часто диагностируются ошибочно при использовании обычной магнитно-резонансной томографии (МРТ). Поэтому целью исследования является оценка точности моделей машинного обучения (МО) на основе МРТ для дифференциации БП и ПНП.
Методы: Это ретроспективное исследование, включившее в общей сложности 96 субъектов (32 с БП, 32 с ПСП и 32 здоровых из контрольной группы). Область базальных ядер, такая как чёрная субстанция (SN), хвостатое ядро (CN), скорлупа, бледный шар (GP), красное ядро (RN) и субталамическое ядро (STN), была вручную сегментирована на изображениях T2-взвешенной инверсии-восстановления с подавлением сигнала жидкости (T2W-FLAIR), и были извлечены радиомические признаки (RF). Топ-20 признаков RF использовались для обучения и тестирования моделей машинного обучения. Оценивались показатели эффективности моделей МО для дифференциации БП, ПСП и здорового контроля (HC).
Результаты: При дифференциации БП от ПСП чёрная субстанция (SN) неизменно показывала наивысшую эффективность, достигая значений точности, F1-меры и AUC 0.95–1.00 во всех протестированных моделях машинного обучения. Красное ядро (RN) и субталамическое ядро (STN) также продемонстрировали почти идеальную классификацию с несколькими моделями МО при значениях точности и AUC 1.00. Хвостатое ядро (CN), скорлупа (putamen) и бледный шар (GP) показали умеренную эффективность (точность 38% - 85%). Среди классификаторов AdaBoost обеспечил устойчивую эффективность, достигнув AUC до 0.89 и MCC до 0.72 на тестовых наборах данных.
Вывод: Радиомические модели на основе МРТ для SN, STN и RN обеспечивают наиболее точную классификацию болезни Паркинсона и ПНП. Они также могут помочь в диагностике болезни Паркинсона и ПНП, которые невозможно различить на ранних стадиях заболевания.
Аналог импакт-фактора журнала: 1.2 (среднее цитирование за 2 года по OpenAlex, значение на 2026-10-15, получено 2026-10-16; не официальный IF от Clarivate)Справка: Khruomo VV, - P, Kadavigere R, Nayak K, Sampathila N, Pendem S, et al. MRI-based machine learning models for differentiating Parkinson’s disease and Progressive Supranuclear Palsy. F1000Res. 2026 Oct 13;15:1709. doi:10.12688/f1000research.190609.1.Проверено: Только аннотация
Показать все статьи: 2 — болезнь Паркинсона →
Наследственные нейродегенеративные заболевания: лечение, испытания и ИИ
Нового подходящего исследования для этого выпуска нет.
Нервно-мышечные заболевания (мышечная дистрофия, СМА): лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Рассеянный склероз: лечение, исследования и ИИ
- Аннотация
Предпосылки: Использование генеративного искусственного интеллекта для создания синтетических данных — формирующаяся стратегия повышения ценности реальных данных (real-world evidence).
Цель: Оценить валидность синтетических данных, сгенерированных искусственным интеллектом, при воспроизведении данных, собранных в Итальянском регистре рассеянного склероза и родственных заболеваний, для оценки риска прогрессирования, не зависящего от активности рецидивов, при стратегиях ранней интенсивной терапии и эскалационной терапии.
Методы: Генеративные модели искусственного интеллекта были обучены на подкогорте из 1666 пациентов Итальянского регистра рассеянного склероза и родственных заболеваний для создания синтетического набора данных из 4878 пациентов. Были применены Synthetic vAlidation FramEwork, Clinical Synthetic Fidelity и Nearest Neighbor Distance Ratio. Сравнение стратегий лечения проводилось как на реальных, так и на синтетических данных, с акцентом на риск прогрессирования, независимого от рецидивной активности.
Результаты: Синтетические данные продемонстрировали точность воспроизведения и сохранение конфиденциальности. Оценки эффекта лечения при эскалационной терапии по сравнению с ранней интенсивной терапией были схожими в реальном и синтетическом наборах данных. Модели пропорциональных рисков Кокса показали, что синтетические данные сохранили устойчивость оценок риска первого события прогрессирования, не связанного с активностью рецидивов. Связи с радиологическими факторами риска были в целом схожими в реальном и синтетическом наборах данных.
Вывод: Синтетические данные, сгенерированные искусственным интеллектом, надёжно воспроизвели результаты эффекта лечения по данным Итальянского регистра рассеянного склероза и родственных заболеваний, что подтверждает возможность их использования в клинически определённых исследовательских условиях.
Аналог импакт-фактора журнала: 3.5 (среднее цитирование за 2 года по OpenAlex, значение на 2026-10-15, получено 2026-10-16; не официальный IF от Clarivate)Справка: Iaffaldano P, D’Amico S, Lucisano G, Copetti M, Guerra T, Rocca MA, et al. Валидация методов генеративного искусственного интеллекта для создания синтетических данных в исследованиях рассеянного склероза: сравнение с данными реальной клинической практики из итальянского регистра рассеянного склероза. Mult Scler. 2026 Oct 14 [Epub ahead of print]. doi:10.1177/13524585261492525.Проверено: Только аннотация - Аннотация
Автоматизированная сегментация очагов может обеспечить быструю и воспроизводимую количественную оценку и долгосрочный мониторинг рассеянного склероза. МРТ сверхвысокого поля 7T обеспечивает повышенное пространственное разрешение и лучшую видимость очагов, но создаёт трудности для автоматизированного анализа, включая неоднородность поля, артефакты, связанные с магнитной восприимчивостью, и пространственно изменяющийся контраст изображения. Хотя методы глубокого обучения хорошо работают при стандартной напряжённости поля, их применение к МРТ 7T остаётся малоизученным. Мы оценили nnUNet, используя только FLAIR, только MP2RAGE и комбинацию MP2RAGE+FLAIR. Набор данных включал 115 продольных МРТ-исследований 7T от 57 пациентов с РС, из которых 20 исследований от 11 независимых пациентов были зарезервированы для тестирования. В качестве сравнительной архитектуры была включена DeepMedic. На тестовой выборке nnUNet достигла средних значений DSC 0,72, 0,71 и 0,66 для комбинированных входных данных, только MP2RAGE и только FLAIR соответственно. Значимых различий DSC между nnUNet и DeepMedic не наблюдалось. Для обеих архитектур добавление FLAIR к MP2RAGE не показало статистически значимого дополнительного преимущества в данной тестовой когорте, тогда как входные данные, содержащие MP2RAGE, значимо превосходили входные данные только FLAIR. Результаты настоящего исследования дают предварительные свидетельства того, что наблюдаемое качество сегментации на уровне вокселей в первую очередь было связано с включением MP2RAGE. Однако качество на уровне очагов зависело от размера очага, что указывает на необходимость дальнейшего изучения влияния специфики контраста на обнаружение мелких очагов.
Аналог импакт-фактора журнала: 4.3 (среднее цитирование за 2 года по OpenAlex, значение на 2026-10-15, получено 2026-10-16; не официальный IF от Clarivate)Справка: Петрова А., Петрович И., Бергер М., Кравутске Ю., Лайнкауф Й., Румбак Р. и др. Сегментация очагов рассеянного склероза на основе глубокого обучения при 7 Тл: сравнение одно- и многоконтрастных входных данных МРТ. J Imaging. 2026 Oct 14;12(10):510. doi:10.3390/jimaging12100510.Проверено: Только аннотация
Показать все статьи: 2 — рассеянный склероз →
NMOSD и MOGAD: лечение, клинические испытания и ИИ
Нового подходящего исследования для этого выпуска нет.
Миастения гравис: лечение, исследования и ИИ
- Аннотация
Предпосылки: Стратификация периоперационного риска при миастении гравис, ассоциированной с тимомой, остаётся сложной задачей, а оптимальная пространственная протяжённость радиомики предоперационной компьютерной томографии (КТ) неясна. Мы сравнили пять трёхмерных радиомических представлений опухоли и перитуморальной зоны для дискриминации внутригоспитального периоперационного комбинированного исхода.
Методы: В это ретроспективное одноцентровое исследование были включены 145 пациентов (37 событий). Сравнивались интратуморальные, перитуморальные по физическому расстоянию (1, 3 и 5 мм) и интегрированные представления «опухоль плюс 3 мм» (VOIFusion3mm). Радиомические модели использовали метод опорных векторов с радиально-базисной функцией ядра и пятикратную вложенную перекрёстную валидацию, повторённую 10 раз. Заранее заданные парные сравнения использовали 2000 бутстрап-повторных выборок по кластерам пациентов с поправкой на долю ложных открытий. Также были проведены анализы с исключением признаков, без LASSO, с возмущением границ и анализ клинического прироста.
Результаты: Интегрированное представление «опухоль плюс 3 мм» показало наивысшую среднюю площадь под ROC-кривой (AUC) на уровне повторов вне обучающей выборки (0.628; 95% доверительный интервал (ДИ), 0.544–0.714) против 0.536 для интратуморального и 0.533 для 3-мм перитуморального представления. Различия AUC составили 0.092 по сравнению с интратуморальным (95% ДИ, 0.029–0.155; q = 0.009) и 0.095 по сравнению с 3-мм перитуморальным (95% ДИ, 0.024–0.173; q = 0.015). VOIFusion3mm оставался с наивысшим рангом после исключения признаков и в анализе без LASSO. Средняя AUC изменилась на − 0.093 после эрозии на 1 мм внутрь (95% ДИ, − 0.169 до − 0.015) и на − 0.004 после расширения наружу (95% ДИ, − 0.028 до 0.019). Радиомика не продемонстрировала дополнительной дискриминационной способности сверх заранее заданной клинической модели, а калибровка была ограниченной.
Выводы: VOIFusion3mm показал более высокую внутренне оцененную способность ранжирующей дискриминации, чем внутриопухолевое и изолированное 3-мм перитуморальное представления, однако абсолютная дискриминация была умеренной. Радиомика не продемонстрировала дополнительной дискриминации сверх оцененных клинических моделей, а калибровка не поддерживала индивидуальную оценку риска. VOIFusion3mm остается кандидатным пространственным представлением, требующим внешней валидации, и не должен использоваться для принятия индивидуальных периоперационных решений. Интерпретация ограничена небольшим числом исходных событий, одноцентровым дизайном и отсутствием независимой оценки воспроизводимости сегментации несколькими экспертами.
Аналог импакт-фактора журнала: 3.8 (среднее цитирование за 2 года по OpenAlex, значение на 2026-10-15, получено 2026-10-16; не официальный IF от Clarivate)Справка: Chai Y, Lu C, Wang Z, Li Z, Li Z, Wang Y, et al. Интегрированная КТ-радиомика опухоли и периопухолевой зоны для дифференциации периоперационных событий при тимома-ассоциированной миастении гравис: ретроспективное когортное исследование. BMC Med Imaging. 2026 Oct 14 [Epub ahead of print]. doi:10.1186/s12880-026-02924-w.Проверено: Только аннотация
Посмотреть все статьи по миастении гравис: 1 →
Аутоиммунный энцефалит, ХВДП и синдром Гийена — Барре: лечение, испытания и ИИ
Нового подходящего исследования для этого выпуска нет.