-
类风湿关节炎并发周围神经病变的临床与生物标志物关联研究:炎症失衡与疾病严重度的关键作用
为探究类风湿关节炎(RA)患者并发周围神经病变(PN)的临床与生物学因素,研究团队开展了一项回顾性横断面研究。通过对63例RA患者(18例伴PN,45例不伴PN)的临床数据与血清标志物分析,发现重度活动性RA(DAS-28 > 5.1)和高浓度类风湿因子(RF > 169.10 IU/mL)与PN显著相关。该研究提示,炎症标志物可能在PN发病中起关键作用,为RA患者早期筛查神经病变提供了重要参考。
来源:Frontiers in Neurology
时间:2026-04-21
-
基于多模态深度学习的视网膜光学相干断层扫描在儿童多发性硬化与炎症性鉴别诊断中的研究
本研究聚焦于儿童多发性硬化(Pediatric-onset Multiple Sclerosis, POMS)早期诊断的临床挑战,提出并系统评估了一种新型的多模态机器学习方法。研究人员通过整合光学相干断层扫描(OCT)获取的原始3D视网膜容积图像与自动分割的52项定量结构特征,构建了多种分类模型。结果表明,早期融合(Early Fusion)策略的多模态模型诊断效能最优,其AUC达到0.90,准确率达87%,显著优于单一模态(图像或特征)及晚期融合模型。该研究为利用OCT这一无创成像工具,开发辅助POMS鉴别诊断的AI工具提供了重要依据,有望支持儿科神经炎性疾病的精准诊疗。
来源:Frontiers in Neurology
时间:2026-04-21
-
综述:抗GQ1b抗体综合征的统一谱系模型:从病理生理学到新诊断框架
这篇综述提出了抗GQ1b抗体综合征的统一谱系模型,涵盖Bickerstaff脑干脑炎(BBE)、Miller Fisher综合征(MFS)及Guillain-Barré综合征(GBS)重叠型。文章系统阐述了其分子模拟(Molecular mimicry)与补体介导的病理机制,强调了临床诊断框架及免疫治疗(IVIg/PE)策略。
来源:Frontiers in Neurology
时间:2026-04-21
-
入院平均收缩压超过160mmHg是急性前循环大血管闭塞发病超过24小时后接受血管内治疗患者3个月功能预后不良的独立预测因素
本研究聚焦急性前循环大血管闭塞(ACLVO)发病超过24小时后接受血管内治疗(EVT)的患者,探讨入院平均收缩压(MSBP)对3个月临床预后的影响。结果发现,较高的入院MSBP是导致不良功能预后(mRS 0-2)的独立危险因素,但与症状性颅内出血(sICH)或死亡率无显著关联。该研究提示,对于此类特定时间窗的患者,入院血压水平是评估EVT获益程度的一个重要参考指标,有助于临床医生进行预后判断和治疗决策优化。
来源:Frontiers in Neurology
时间:2026-04-21
-
诊断难题:一例腋窝软组织颗粒细胞瘤误诊为乳腺癌淋巴结病变的病例——诊断挑战与外科治疗
**摘要**
**背景**
颗粒细胞肿瘤(Granular Cell Tumors, GCTs)是一种罕见的神经源性软组织肿瘤,由于其与其他病变和病理学的相似性,在初次就诊时往往难以诊断。腋窝部位的肿瘤尤其具有诊断挑战性,因为它可能模仿淋巴增生性疾病或转移性乳腺癌。准确识别
来源:Journal of Rare Diseases
时间:2026-04-21
-
Ki-67指数与甲胎蛋白(alpha-fetoprotein)和乳酸脱氢酶(lactate dehydrogenase)联合使用在区分儿童成熟与未成熟卵巢畸胎瘤中的应用
摘要
背景:在儿童中准确区分成熟与未成熟的卵巢畸胎瘤仍然是一个诊断挑战。目前的组织病理学分级具有主观性,且缺乏可靠的术前生物标志物。本研究旨在评估Ki-67、甲胎蛋白(AFP)和乳酸脱氢酶(LDH)单独使用及联合使用的诊断和预后价值。
方法:我们回顾性分析了82名(≤18岁)
来源:Frontiers in Neurology
时间:2026-04-21
-
一名患有Smith–Magenis综合征的儿童所出现的进行性多灶性系统性动脉病,伴有反复发作的低灌注性中风
摘要
此内容没有提供摘要。由于您可以访问该内容,因此页面上提供了完整的HTML内容。您还可以通过“保存为PDF”按钮获取该内容的PDF版本。
非动脉粥样硬化性脑动脉病变是儿童缺血性中风最常见的已知风险因素。
参考文献:Fulle
来源:Canadian Journal of Neurological Sciences
时间:2026-04-21
-
双锚图正则化潜在学习方法在可扩展的多标签特征选择中的应用
DAMFS是一种结合双锚图学习和共享潜在表示的多标签特征选择框架,通过自适应锚分配和联合优化策略解决复杂数据中的特征选择问题,实验验证其在多个领域的有效性。
来源:Neurocomputing
时间:2026-04-21
-
Uni-DTR:一个统一的框架,用于在无示例的类增量学习中平衡知识保留与适应性
类增量学习中的Uni-DTR框架通过双层次知识蒸馏和原型分类器校准,有效缓解灾难性遗忘与分类器偏差,在CIFAR-100和Tiny-ImageNet上平均精度达65.7%/56.0%,遗忘率低于基线方法。
来源:Neurocomputing
时间:2026-04-21
-
通过颗粒球实现多粒度图细化以进行图分类
MGGR方法通过多粒度图分解和层次化编码器提升图分类性能,实验验证其在准确性和效率上的优势。
来源:Neurocomputing
时间:2026-04-21