• 遗传性转甲状腺素蛋白淀粉样变性中血清神经丝轻链、GFAP及外周蛋白作为生物标志物的评估

  早期诊断和准确监测疾病进展对于遗传性转甲状腺素蛋白淀粉样变性（ATTRv）的及时治疗干预至关重要。神经丝轻链（NfL）已成为跨神经退行性疾病中神经轴突损伤的敏感生物标志物。本研究旨在调查ATTRV30M淀粉样变患者及症状前基因携带者的血清NfL、胶质纤维酸性蛋

  来源：Scientific Reports

  时间：2026-06-09

• 短暂性额骨骨折：对“超聚焦”现象的理论解释

  摘要：许多人都有过这样的经历：他们完全沉浸在某项活动中，以至于忽略了周围的环境，难以停止这项活动，并且感觉时间过得异常快。这种现象在通俗中被称为“超专注”。目前关于“超专注”的同行评审研究虽然数量不多，但正在迅速增加。大多数这类研究依赖于自我报告的测量方法，而对导致“超专注”的

  来源：Journal of Cognitive Neuroscience

  时间：2026-06-09

• 基于任务导向的神经架构搜索方法，实现无需分割的术前3D MRI图像分类，用于区分低级别与高级别胶质瘤

  摘要 胶质瘤占原发性脑肿瘤的大多数，通过MRI进行准确诊断对于患者管理至关重要。现有的计算机辅助诊断方法通常依赖于肿瘤分割框架。在这项研究中，提出了一种不依赖于肿瘤分割的体积分级方法，用于区分低级别胶质瘤（LGG）和高级

  来源：Journal of Imaging

  时间：2026-06-09

• 基于配对患者-配偶样本和机器学习共识策略的帕金森病尿液代谢标志物初步筛选：一项探索性研究

  帕金森病（PD）尚缺乏可靠的非侵入性诊断生物标志物。尿液作为生物标志物发现的重要生物流体具有巨大潜力，但共同环境与生活方式的深远影响构成主要混杂因素。为严谨应对这一问题，研究人员设计了一项采用独特配对队列的探索性研究：将PD患者与其健康配偶进行配对。研究人员对

  来源：Frontiers in Neurology

  时间：2026-06-09

• 慢性硬膜下血肿钻孔引流术后出院时功能状态不良的术前CT标志物：一项回顾性队列研究

  背景：慢性硬膜下血肿（chronic subdural hematoma，CSDH）是老年人中最常见的神经外科疾病之一，但对于手术清除后短期功能状态的术前预测因素，目前界定仍不充分。本探索性研究评估了术前计算机断层扫描（computed tomography，

  来源：Frontiers in Neurology

  时间：2026-06-09

• 京尼平(Genipin)作为外周神经系统疾病治疗药物的新兴作用

  摘要：京尼平(Genipin)是源自栀子(Gardenia jasminoides)果实的生物活性环烯醚萜类化合物，主要涉及三方面背景：其一作为中药活性成分用于抗炎；其二作为低细胞毒性交联剂用于生物工程中以稳定并硬化细胞外基质(ECM)及生物材料；其三纯化京尼

  来源：Frontiers in Biomaterials Science

  时间：2026-06-09

• 基于高光谱数据的纺织材料识别的AI模型——不对，等等，重新看用户给的文档，第一行标题虽然写的是"AI Model for Textile Materials Identification Using Hyperspectral Data"，但实际正文内容是Morton code几何自适应表面重建，应该是期刊模板残留错误标题，应以正文实质内容为准翻译。结合正文核心，正确中译标题应为： 基于Morton码的几何自适应神经隐式表面重建方法

  神经隐式表面表示在三维重建中取得了令人印象深刻的结果，但现有方法往往在平滑区域引入噪声或在复杂区域无法捕捉精细细节，主要原因在于缺乏显式的空间结构建模。为解决这些局限，研究人员提出了一种基于Morton码的几何自适应表面重建(Geometry-Adaptive

  来源：Journal of Imaging

  时间：2026-06-09

• 基于Morton编码的几何自适应表面重建(Morton Code-Based Geometry-Adaptive Surface Reconstruction)

  神经隐式表面表示(Neural Implicit Surface Representations)在三维重建中取得了令人印象深刻的结果，然而现有方法往往在平滑区域引入噪声，或在复杂区域无法捕捉精细细节，主要归因于缺乏显式的空间结构建模。为解决这些局限，研究人员

  来源：Journal of Imaging

  时间：2026-06-09

• 综述：面向脑肿瘤分析的人工智能综合评述：神经肿瘤学中的分类学、鲁棒性与开放挑战

  脑肿瘤的检测作为一项临床问题具有挑战性，原因在于肿瘤异质性以及对手动神经影像解读的依赖，而后者容易产生人为误差。人工智能（AI）已展现出作为临床决策支持工具的强大潜力，能够辅助放射科医师提高诊断准确性并支持神经影像数据的解读。采用机器学习（ML）和深度学习（D

  来源：Journal of Imaging

  时间：2026-06-09

• 使用迁移学习与卷积神经网络结合的MRI图像脑肿瘤分类

  早期且准确的脑肿瘤检测对于有效治疗至关重要。研究人员提出了一种基于深度学习框架的MRI脑肿瘤分类方法，其特色是一种新颖的自定义卷积神经网络（Custom CNN），该网络与六种预训练模型（InceptionV3、EfficientNetV2L、ResNet15

  来源：Journal of Imaging

  时间：2026-06-09

知名企业招聘：