AI na Magonjwa Adimu ya Neva na Kinga ya Neva ── 2026-10-16

Makala mpya kuhusu magonjwa adimu ya neva na ya kinga-neva na AI, zilizokusanywa kutoka kwa milisho ya majarida, PubMed (iliyotafutwa katika majarida yote) na OpenAlex (faharasa ya umma inayotumika badala ya Google Scholar), zilizohukumiwa na Jev (AI inayotoa hukumu za lugha): utafiti asilia, AI ikiwa kiini, ni kundi lipi kati ya makundi 9 ya magonjwa, matibabu au majaribio, kisha zikapangwa kwa umuhimu hadi kikomo cha kila siku. Majarida hayachujwi kwa kipengele cha athari; kila makala huonyesha kiwango sawa na IF cha jarida lake (wastani wa miaka miwili wa kunukuliwa wa OpenAlex) na tarehe ya thamani hiyo. Kila ingizo huonyesha muhtasari asilia kamili.

Soma kulingana na ugonjwa: Utafiti wa msingi（0） · ALS（0） · Ugonjwa wa Parkinson（2） · Magonjwa ya kurithi ya kuharibika kwa neva（0） · Misuli na neva（0） · Sklerosisi nyingi（2） · NMOSD/MOGAD（0） · Myasthenia gravis（1） · Encephalitis ya autoimmune/CIDP/GBS（0）

Utafiti wa kuharibika kwa neva na kinga ya neva na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

ALS: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Ugonjwa wa Parkinson na parkinsonism: matibabu, majaribio na AI

• Usahihi wa Ujifunzaji wa Mashine katika Utambuzi Tofauti wa Atrofi ya Mifumo Mingi: Mapitio ya Kitaratibu na Uchambuzi wa Meta
  Movement Disorders Clinical Practice · 2026-10-14 · Ushahidi: Mapitio ya kimfumo na uchanganuzi-meta
  Muhtasari

  Usuli: Atrofi ya mifumo mingi (MSA) mara nyingi hutambuliwa vibaya kuwa ugonjwa wa Parkinson (PD) au kupooza kwa kasi kwa supranuclear (PSP), jambo linalosababisha changamoto kubwa za utambuzi.

  Lengo: Lengo la utafiti lilikuwa kutathmini kwa utaratibu ufanisi wa ujifunzaji wa mashine (ML) katika kutofautisha MSA na matatizo mengine ya kuzorota kwa neva.

  Mbinu: Tulifanya utafutaji wa kimfumo katika PubMed, Embase, Cochrane Library, na Web of Science (hadi Julai 5, 2025), tukijumuisha tafiti za utambuzi wa MSA zinazotegemea ML. QUADAS‐2 ilitathmini hatari ya upendeleo, na modeli ya athari mchanganyiko ya pande mbili iliunganisha vipimo vya utambuzi.

  Matokeo: Jumla ya tafiti 51 (zikiwa na wagonjwa 3595 wa MSA na jumla ya visa 18,189) ziliingizwa katika mapitio ya kimfumo. Kati ya hizo, tafiti 38 zilichangia katika usanisi wa kiidadi, huku tafiti 13 zilizobaki zikifupishwa kwa njia ya kimaelezo. Katika uchambuzi mkuu uliolinganisha MSA na PD, usikivu uliokusanywa ulikuwa 0.86 (kipindi cha uhakika cha 95% [CI]: 0.81–0.90), umahususi 0.87 (CI ya 95%: 0.83–0.90), na eneo chini ya mkunjo wa muhtasari wa sifa za utendaji wa kipokezi (SROC) (AUC) 0.93 (CI ya 95%: 0.90–0.95). Kwa ujumla, usikivu uliokusanywa ulikuwa 0.85 (CI ya 95%: 0.82–0.88), umahususi 0.92 (CI ya 95%: 0.89–0.94), na AUC 0.94 (CI ya 95%: 0.92–0.96). Miundo inayotegemea tomografia ya utoaji wa positroni (PET) ilipata utendaji bora zaidi (usikivu: 0.90, umahususi: 0.96, AUC: 0.97), huku miundo ya kujifunza kwa kina ikizizidi mingine (usikivu: 0.93, umahususi: 0.98, AUC: 0.99).

  Hitimisho: Miundo ya ML inayounganisha data ya PET/upigaji picha wa mwangwi wa sumaku (MRI) inaonyesha usahihi wa juu wa utambuzi wa MSA. Kazi za baadaye zinapaswa kuweka kipaumbele uthibitishaji wa matarajio wa vituo vingi na upimaji sanifu wa nje ili kurahisisha utekelezaji wa kitabibu.

  Kiwango sawa na IF ya jarida: 2.0 (wastani wa uthibitisho wa miaka 2 wa OpenAlex, thamani ya 2026-10-15, ilipatikana 2026-10-16; si IF rasmi ya Clarivate)
  Rejeleo: Wang G, Nie C, Liu M. Usahihi wa Ujifunzaji wa Mashine katika Utambuzi Tofauti wa Atrofi ya Mifumo Mingi: Mapitio ya Kitaratibu na Uchambuzi-Meta. Movement Disord Clin Pract. 2026 Oct 14 [Epub ahead of print]. doi:10.1002/mdc3.70857.
  Imekaguliwa: Muhtasari pekee
• Miundo ya kujifunza kwa mashine inayotegemea MRI kwa kutofautisha ugonjwa wa Parkinson na Progressive Supranuclear Palsy
  F1000Research · 2026-10-13 · Evidence: Retrospective observational study
  Muhtasari

  Usuli: Ugonjwa wa Parkinson (PD) na Progressive Supranuclear Palsy (PSP) ni magonjwa ya kuzorota kwa mfumo wa neva ambayo yana Parkinsonism kama sifa kuu ya kitabibu. PD na PSP mara nyingi hutambuliwa vibaya katika hatua za awali kwa kutumia picha ya kawaida ya mwangwi wa sumaku (MRI). Kwa hivyo lengo la utafiti ni kutathmini usahihi wa miundo ya kujifunza kwa mashine (ML) inayotegemea MRI katika kutofautisha PD na PSP.

  Mbinu: Huu ni utafiti wa kurudi nyuma uliojumuisha jumla ya washiriki 96 (32 wa PD, 32 wa PSP na 32 wa udhibiti wenye afya). Maeneo ya basal nuclei kama vile substantia nigra (SN), caudate nucleus (CN), putamen, globus pallidus (GP), red nucleus (RN), na subthalamic nucleus (STN) yalitengwa kwa mkono katika picha za T2 weighted fluid attenuation inversion recovery (T2W-FLAIR) na vipengele vya radiomics (RF) vilitolewa. RF 20 bora zilitumika kufunza na kujaribu miundo ya ML. Vipimo vya utendaji wa miundo ya ML katika kutofautisha PD, PSP na HC vilitathminiwa.

  Matokeo: Katika kutofautisha PD na PSP, SN iliendelea kuonyesha utendaji wa juu zaidi, ikifikia thamani za usahihi, F1score na AUC za 0.95–1.00 katika mifano yote ya ML iliyojaribiwa. RN na STN pia zilionyesha uainishaji karibu kamili kwa mifano kadhaa ya ML, zikiwa na thamani za usahihi na AUC za 1.00. CN, putamen na GP zilionyesha utendaji wa wastani (usahihi 38% - 85%). Miongoni mwa viainishi, AdaBoost ilitoa utendaji thabiti ikifikia AUC hadi 0.89 na MCC hadi 0.72 katika seti za data za majaribio.

  Hitimisho: Miundo ya radiomics inayotegemea MRI kutoka SN, STN na RN hutoa uainishaji sahihi zaidi wa PD na PSP. Inaweza pia kusaidia katika utambuzi wa PD na PSP ambazo haziwezi kutofautishwa katika hatua za awali za ugonjwa.

  Kiwango sawa na IF ya jarida: 1.2 (wastani wa uthibitisho wa miaka 2 wa OpenAlex, thamani ya 2026-10-15, ilipatikana 2026-10-16; si IF rasmi ya Clarivate)
  Rejeleo: 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.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 2 za Parkinson →

Magonjwa ya kurithi ya kuharibika kwa neva: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Magonjwa ya misuli na neva (udhaifu wa misuli, SMA): matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Sclerosis nyingi: matibabu, majaribio na AI

• Uthibitishaji wa mbinu za akili bandia zalishi kwa uzalishaji wa data bandia katika utafiti wa ugonjwa wa multiple sclerosis: Ulinganisho na ushahidi wa ulimwengu halisi kutoka rejista ya Italia ya multiple sclerosis
  Multiple Sclerosis Journal · 2026-10-14 · Ushahidi: Utafiti wa uchunguzi wa nyuma unaotegemea rejista (uthibitishaji kwa data sintetiki)
  Muhtasari

  Usuli: Matumizi ya akili bandia zalishi kuunda data bandia ni mkakati unaoibuka wa kuimarisha ushahidi wa ulimwengu halisi.

  Lengo: Kutathmini uhalali wa data bandia iliyozalishwa na akili bandia katika kuiga data iliyokusanywa katika Rejista ya Kiitaliano ya Multiple Sclerosis na Matatizo Yanayohusiana kwa ajili ya kutathmini hatari ya kuendelea bila kutegemea shughuli za kurudi kwa ugonjwa chini ya mikakati ya matibabu makali ya mapema na ya kupandisha matibabu.

  Mbinu: Miundo ya akili bandia (AI) ya kuzalisha ilifunzwa kwa kundi dogo la wagonjwa 1666 kutoka Rejista ya Italia ya Sclerosis Nyingi na Magonjwa Yanayohusiana ili kutengeneza seti ya data bandia ya wagonjwa 4878. Synthetic vAlidation FramEwork, Clinical Synthetic Fidelity, na Nearest Neighbor Distance Ratio zilitumika. Ulinganisho kati ya mikakati ya matibabu ulifanywa kwa kutumia data halisi na data bandia, ukilenga hatari ya kuendelea kwa ugonjwa bila kutegemea shughuli za kurudia.

  Matokeo: Data bandia ilionyesha uaminifu kwa data halisi na uhifadhi wa faragha. Makadirio ya athari ya matibabu kwa matibabu ya kupandisha ngazi dhidi ya matibabu makali ya mapema yalikuwa sawa katika seti za data halisi na bandia. Miundo ya Cox ya hatari sawia ilionyesha kuwa data bandia ilihifadhi uthabiti wa makadirio ya hatari ya tukio la kwanza la kuendelea kwa ugonjwa lisilotegemea shughuli ya kurudi tena. Uhusiano na vigezo vya hatari vya kiradiolojia ulikuwa sawa kwa jumla katika seti za data halisi na bandia.

  Hitimisho: Data bandia iliyozalishwa na akili bandia ilirudia kwa uaminifu matokeo ya athari za matibabu ya data za Rejista ya Italia ya Sclerosis Nyingi na Magonjwa Yanayohusiana, ikiunga mkono uwezekano wa matumizi yake katika mazingira ya utafiti yaliyoainishwa kitabibu.

  Kiwango sawa na IF ya jarida: 3.5 (wastani wa uthibitisho wa miaka 2 wa OpenAlex, thamani ya 2026-10-15, ilipatikana 2026-10-16; si IF rasmi ya Clarivate)
  Rejeleo: Iaffaldano P, D’Amico S, Lucisano G, Copetti M, Guerra T, Rocca MA, na wenzake. Uthibitishaji wa mbinu za akili bandia zalishi kwa uzalishaji wa data bandia katika utafiti wa ugonjwa wa sclerosis nyingi: Ulinganisho na ushahidi wa ulimwengu halisi kutoka rejista ya Italia ya sclerosis nyingi. Mult Scler. 2026 Oct 14 [Epub kabla ya kuchapishwa]. doi:10.1177/13524585261492525.
  Imekaguliwa: Muhtasari pekee
• Ugawaji wa Vidonda vya Ugonjwa wa Sclerosis Nyingi Unaotegemea Kujifunza kwa Kina katika Tesla 7: Ulinganisho wa Ingizo za MRI za Utofautishaji Mmoja na Mwingi
  Journal of Imaging · 2026-10-14 · Ushahidi: Utafiti wa uchunguzi wa ulinganisho wa mbinu (ushahidi wa awali)
  Muhtasari

  Ugawaji wa kiotomatiki wa vidonda unaweza kusaidia tathmini ya kiasi ya haraka na inayoweza kurudiwa pamoja na ufuatiliaji wa muda mrefu wa ugonjwa wa sclerosis nyingi (multiple sclerosis). MRI ya 7T ya uga wa juu sana hutoa azimio la anga lililoongezeka na uwezo bora wa kuona vidonda, lakini huleta changamoto kwa uchambuzi wa kiotomatiki, ikiwemo kutosawazika kwa uga, kasoro zinazohusiana na unyeti wa sumaku, na utofautishaji wa picha unaobadilika kulingana na eneo. Ingawa mbinu za kujifunza kwa kina hufanya vizuri katika nguvu za kawaida za uga, matumizi yake kwenye MRI ya 7T bado hayajachunguzwa vya kutosha. Tulitathmini nnUNet kwa kutumia FLAIR pekee, MP2RAGE pekee, na MP2RAGE+FLAIR kwa pamoja. Seti ya data ilijumuisha uchunguzi 115 wa kimuda mrefu wa MRI ya 7T kutoka kwa wagonjwa 57 wenye MS, ambapo uchunguzi 20 kutoka kwa wagonjwa 11 huru ulitengwa kwa ajili ya majaribio. DeepMedic ilijumuishwa kama usanifu wa kulinganisha. Kwenye seti ya majaribio, nnUNet ilipata thamani za wastani za DSC za 0.72, 0.71, na 0.66 kwa pembejeo mchanganyiko, MP2RAGE pekee, na FLAIR pekee, mtawalia. Hakuna tofauti kubwa za DSC zilizoonekana kati ya nnUNet na DeepMedic. Kwa usanifu wote wawili, kuongeza FLAIR kwenye MP2RAGE hakukuonyesha faida ya ziada yenye umuhimu wa kitakwimu katika kundi la majaribio la sasa, ilhali pembejeo zenye MP2RAGE zilizidi kwa kiasi kikubwa pembejeo ya FLAIR pekee. Matokeo ya utafiti huu yanatoa ushahidi wa awali unaoashiria kwamba utendaji wa ugawaji katika kiwango cha voxel uliozingatiwa ulihusishwa zaidi na kujumuishwa kwa MP2RAGE. Hata hivyo, utendaji katika kiwango cha kidonda ulitegemea ukubwa wa kidonda, jambo linaloonyesha haja ya uchunguzi zaidi kuhusu athari mahususi za utofautishaji katika kugundua vidonda vidogo.

  Kigezo sawa na IF cha jarida: 4.3 (wastani wa miaka 2 wa manukuu wa OpenAlex, thamani kufikia 2026-10-15, ilipatikana 2026-10-16; si IF rasmi ya Clarivate)
  Rejeleo: Petrova A, Petrovic I, Berger M, Kravutske Y, Leinkauf J, Rumbak R, na wengine. Deep Learning-Based Multiple Sclerosis Lesion Segmentation at 7 Tesla: Comparison of Single- and Multi-Contrast MRI Inputs. J Imaging. 2026 Oct 14;12(10):510. doi:10.3390/jimaging12100510.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 2 za Ugonjwa wa sclerosis nyingi →

NMOSD na MOGAD: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Myasthenia gravis: matibabu, majaribio na AI

• Radiomics ya CT iliyounganishwa ya uvimbe na tishu zinazozunguka uvimbe kwa kutofautisha matukio ya kipindi cha upasuaji katika myasthenia gravis inayohusiana na thymoma: utafiti wa kundi la kuangalia nyuma
  BMC Medical Imaging · 2026-10-14 · Ushahidi: Utafiti wa uchunguzi wa nyuma (kundi la kituo kimoja)
  Muhtasari

  Usuli: Upimaji wa hatari kabla na wakati wa upasuaji katika myasthenia gravis inayohusiana na thymoma bado ni changamoto, na kiwango bora cha anga cha radiomics ya tomografia ya kompyuta (CT) kabla ya upasuaji hakijulikani. Tulilinganisha uwakilishi watano wa radiomics wa pande tatu wa uvimbe na eneo linalouzunguka kwa ajili ya kutofautisha matokeo mchanganyiko ya kipindi cha upasuaji ndani ya hospitali.

  Mbinu: Utafiti huu wa kurudi nyuma wa kituo kimoja ulijumuisha wagonjwa 145 (matukio 37). Uwakilishi wa ndani ya uvimbe, kuzunguka uvimbe kwa umbali halisi (mm 1, 3, na 5), na uwakilishi jumuishi wa uvimbe pamoja na mm 3 (VOIFusion3mm) vililinganishwa. Miundo ya radiomics ilitumia support vector machines za radial-basis-function pamoja na nested cross-validation ya mara tano iliyorudiwa mara 10. Ulinganisho wa jozi uliowekwa awali ulitumia sampuli upya 2,000 za bootstrap za makundi ya wagonjwa pamoja na usahihishaji wa false-discovery-rate. Uchambuzi wa kutoa vipengele, bila LASSO, wa kuvuruga mipaka, na wa nyongeza ya kliniki pia ulifanywa.

  Matokeo: Uwakilishi jumuishi wa uvimbe-pamoja-na-3-mm ulikuwa na wastani wa juu zaidi wa eneo chini ya mkunjo wa sifa za mpokeaji (AUC) wa nje-ya-mkunjo katika kiwango cha marudio (0.628; kipindi cha kujiamini cha 95% (CI), 0.544–0.714), ikilinganishwa na 0.536 kwa uwakilishi wa ndani ya uvimbe na 0.533 kwa uwakilishi wa pembezoni mwa uvimbe wa 3-mm. Tofauti za AUC zilikuwa 0.092 dhidi ya ndani ya uvimbe (95% CI, 0.029–0.155; q = 0.009) na 0.095 dhidi ya pembezoni mwa uvimbe wa 3-mm (95% CI, 0.024–0.173; q = 0.015). VOIFusion3mm ilibaki kuwa ya juu zaidi kwa nafasi baada ya kuondoa vipengele na katika uchanganuzi usio na LASSO. Wastani wa AUC ulibadilika kwa − 0.093 baada ya mmomonyoko wa ndani wa 1-mm (95% CI, − 0.169 hadi − 0.015) na kwa − 0.004 baada ya upanuzi wa nje (95% CI, − 0.028 hadi 0.019). Radiomics haikuonyesha uwezo wa ziada wa kutofautisha zaidi ya modeli ya kliniki iliyobainishwa awali, na urekebishaji (calibration) ulikuwa mdogo.

  Hitimisho: VOIFusion3mm ilionyesha uwezo wa juu zaidi wa kutofautisha viwango (rank discrimination) uliotathminiwa ndani ya utafiti kuliko uwakilishi wa ndani ya uvimbe na uwakilishi wa pembezoni mwa uvimbe wa 3-mm uliotengwa, lakini uwezo wa jumla wa kutofautisha ulikuwa wa wastani. Radiomics haikuonyesha uwezo wa ziada wa kutofautisha zaidi ya mifano ya kliniki iliyotathminiwa, na urekebishaji (calibration) haukuunga mkono makadirio ya hatari ya mtu mmoja mmoja. VOIFusion3mm inasalia kuwa uwakilishi wa anga unaoweza kuzingatiwa unaohitaji uthibitishaji wa nje na haipaswi kuongoza maamuzi ya mtu mmoja mmoja kabla, wakati na baada ya upasuaji. Ufasiri umewekewa mipaka na idadi ndogo ya matukio ya matokeo, muundo wa kituo kimoja, na ukosefu wa tathmini huru ya wasomaji wengi ya uwezekano wa kurudiwa kwa ugawaji wa picha (segmentation).

  Kigezo sawa na IF cha jarida: 3.8 (wastani wa miaka 2 wa manukuu wa OpenAlex, thamani kufikia 2026-10-15, ilipatikana 2026-10-16; si IF rasmi ya Clarivate)
  Rejeleo: Chai Y, Lu C, Wang Z, Li Z, Li Z, Wang Y, et al. Integrated tumor–peritumoral CT radiomics for perioperative event discrimination in thymoma-associated myasthenia gravis: a retrospective cohort study. BMC Med Imaging. 2026 Oct 14 [Epub ahead of print]. doi:10.1186/s12880-026-02924-w.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Myasthenia gravis →

Encephalitis ya autoimmune, CIDP na ugonjwa wa Guillain-Barre: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.