ИИ и редкие неврологические & нейроиммунные заболевания ── 2026-10-25
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（1） · БАС（0） · Болезнь Паркинсона（0） · Наследственная нейродегенерация（0） · Нервно-мышечные（0） · Рассеянный склероз（1） · NMOSD/MOGAD（0） · Миастения（0） · Аутоиммунный энцефалит/ХВДП/СГБ（0）
Исследования нейродегенерации и нейроиммунологии и ИИ
- Аннотация
Данное исследование было направлено на разработку и валидацию полностью автоматизированного конвейера для идентификации уровней позвонков (C1–C3) верхнешейного отдела спинного мозга (СМ) на Т1-взвешенных МРТ головного мозга с модулем контроля качества для оценки генерируемых масок. Данные МРТ 998 человек из контрольной группы и 879 пациентов с наследственными атаксиями (32 центра; возраст 5–85 лет; 46% мужчин) были использованы для обучения моделей глубокого обучения (nnU-Net, U-Net с глубокой супервизией, SwinUNETR) для автоматической маркировки позвонков уровней C1–C3. Вторичная модель на основе архитектур VGG, ResNet и EfficientNet была обучена для выявления ошибок маркировки позвонков. Конвейер также генерирует метрики качества изображения, включая соотношение сигнал/шум, соотношение контраст/шум, коэффициент совместной вариации и энтропийный критерий фокусировки. Внешняя валидация была выполнена с использованием 2737 МРТ-исследований из четырех общедоступных наборов данных, а клиническая полезность была продемонстрирована на продольной когорте из 51 пациента с рассеянным склерозом. nnU-Net показал наивысшую производительность (Dice: C1 = 0.85, C2 = 0.89, C3 = 0.89), корректно маркировав 95.8% неверно маркированных случаев из Spinal Cord Toolbox. Классификатор на основе VGG достиг точности 97.9% и чувствительности 98.7%. Внешняя валидация показала точность маркировки свыше 92% в четырех из пяти наборов данных, а также чувствительность к продольной атрофии СМ при рассеянном склерозе. Данный конвейер обеспечивает масштабируемую и надежную маркировку позвонков и извлечение морфометрических показателей верхнешейного отдела СМ для многоцентровых исследований, а также поддерживает разработку биомаркеров при нейродегенеративных заболеваниях.
Эквивалент импакт-фактора журнала: 13.9 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-18, получено 2026-10-19; не официальный IF Clarivate)Справка: Jarola GM, Shiraishi DH, Adanyeguh IM, Ashizawa T, Barsottini OGP, Bender B и др. Фреймворк глубокого обучения для автоматической маркировки позвонков шейного отдела спинного мозга и морфометрического извлечения данных из МРТ головного мозга с крупномасштабной мультицентровой валидацией. npj Digit Med. 23 октября 2026 [электронная публикация перед печатью]. doi:10.1038/s41746-026-03403-w.Проверено: Только аннотация
Смотреть все 1 статьи по фундаментальным исследованиям →
БАС: лечение, испытания и ИИ
Нового подходящего исследования для этого выпуска нет.
Болезнь Паркинсона и паркинсонизм: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
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
Понимание баланса в виртуальной реальности (VR) важно не только для измерения того, устойчив пользователь или нет, но и для объяснения того, как устойчивость поддерживается во время иммерсивного взаимодействия. Это особенно важно для людей с рассеянным склерозом (MS), поскольку сходные уровни общего баланса могут сопровождаться у разных людей различными паттернами движений. Существующие подходы на основе VR обычно сосредоточены на необработанных сигналах покачивания, сравнениях конкурентной валидности или классификации применительно к конкретным задачам и редко представляют баланс как единую непрерывную меру или объясняют паттерны движений, лежащие в основе поддержания устойчивости. Используя общедоступный мультимодальный набор данных записей с шлема виртуальной реальности (HMD), контроллеров, центра давления (CoP) и захвата движения от 37 участников (15 с MS, 22 без MS), мы представляем трехэтапный фреймворк для прогнозирования и интерпретации способности сохранять баланс по датчикам движения HMD и контроллеров. Во-первых, мы разрабатываем непрерывную оценку баланса на основе CoP из стандартных признаков CoP, представляя баланс в виде единой сообщаемой меры, и проверяем ее согласованность среди участников с MS и без MS. Во-вторых, мы прогнозируем эту оценку по датчикам HMD и контроллеров с помощью машинного обучения. В-третьих, мы анализируем движения в VR, чтобы выявить исследовательские паттерны, выходящие за рамки общей тяжести оценки баланса, и проверить, различается ли их распространенность на уровне участников между группами с MS и без MS. Оценка баланса продемонстрировала умеренную надежность между попытками и сходные паттерны корреляции признаков с оценкой в группах с MS и без MS. Прогнозы оценивались на двух уровнях: на уровне окна, где используются короткие сегменты данных датчиков движения VR с HMD и контроллеров, и на уровне участника, где все сегменты участника агрегируются в единый прогноз уровня участника. CatBoost показал самые сильные общие результаты прогнозирования. На уровне окна он достиг R2 = 0.388, MAE = 0.597 и RMSE = 0.782. На уровне участника он достиг R2 = 0.715, Pearson, r = 0.867 и Spearman, ρ = 0.838. Оценка баланса также согласовывалась со средней скоростью центра масс (CoM), полученной из данных захвата движения, что дает дополнительное биомеханическое обоснование в рамках имеющегося набора данных. Анализ паттернов движений выявил два различных исследовательских паттерна: паттерн с более низким доминированием головы, характеризующийся относительно большим вкладом рук, и паттерн с доминированием головы, характеризующийся относительно большим вкладом головы. Хотя на описательном уровне окон паттерн с доминированием головы встречался чаще среди участников с MS, сравнение на уровне участников не дало статистически значимых свидетельств различия между группами. Эти результаты показывают, что одних лишь данных о движениях VR-шлема и контроллеров достаточно для прогнозирования способности сохранять баланс на уровне участников, а также дают исследовательское представление об относительной организации движений головы и рук во время иммерсивного взаимодействия.
IF журнала: неизвестен (не удалось сопоставить)Справка: Павел М. И., Анджум Н., Кордова А., Куорлз Дж., Махмуд М. Р. Прогнозирование способности к сохранению равновесия и объяснение стратегий контроля на основе датчиков движения VR: интерпретируемый подход к оценке равновесия на основе CoP при рассеянном склерозе. Труды 28-й Международной конференции ACM SIGACCESS по компьютерам и доступности 2026 года. 24 октября 2026 г. [Электронная публикация перед печатью]. doi:10.1145/3797867.3828977.Проверено: Только аннотация
Смотреть все 1 статьи по рассеянному склерозу →
NMOSD и MOGAD: лечение, клинические испытания и ИИ
Нового подходящего исследования для этого выпуска нет.
Миастения гравис: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Аутоиммунный энцефалит, ХВДП и синдром Гийена — Барре: лечение, испытания и ИИ
Нового подходящего исследования для этого выпуска нет.