先前的临床试验已经证明，传统日药yokukansan可以治疗痴呆的行为和心理症状（BPSD）。 然而，鲜有证据证明用由五千山散和两种其他草药成分组成的四千五山排毒汤（YKSCH）治疗BPSD。 本研究旨在探讨YKSCH治疗老年痴呆症（AD）患者的BPSD的疗效和安全性。 我们招募了表现出BPSD且轻度至中度AD的门诊患者，其神经精神病学量表（NPI）得分> 3，其中包括“焦虑”，“焦虑”，“易怒”以及“睡眠和夜间行为改变”的次级量表得分”。 服用7.5 g的每日YKSCH剂量，持续12周，同时服用抗痴呆药。 在基线时以及干预期间每4周使用NPI评估BPSD。 我们还使用日文翻译的《冷漠量表》，《 Zarit Caregiver Burden访谈》的日语版以及修改后的Crichton量表来预测冷漠。 认知功能障碍使用迷你精神状态检查和AD评估量表-认知（日语版）进行评估。 招募了五名参与者。 在YKSCH干预期间，NPI总分在基线评估和8周评估之间趋于下降（Wilcoxon符号秩检验，P = 0.063）。 在NPI分量表得分方面，在基线时表现出每种症状的人进行干预后，“平静”，“躁动”

阿尔茨海默氏病（AD）是痴呆症的最常见形式，是一种无法治愈的神经系统疾病，会导致进行性精神恶化。 尽管对AD进行明确诊断很困难，但在实践中，AD诊断主要基于临床病史和神经心理学数据，包括磁资源成像（MRI）。 近年来，有关将机器学习应用于AD识别的研究越来越多。 本文介绍了我们对这一进展的最新贡献。 它描述了一种基于3D脑MRI深度学习的自动AD识别算法。 该算法使用卷积神经网络（CNN）来实现AD识别。 独特之处在于，大脑的三维拓扑在AD识别中被视为一个整体，从而可以进行准确的识别。 本研究中使用的CNN包括三组连续的处理层，两个完全连接的层和一个分类层。 在该结构中，三组中的每一个都由三层组成，包括卷积层，池化层和归一化层。 使用来自阿尔茨海默氏病神经成像计划的MRI数据对算法进行了训练和测试。 使用的数据包括约47位AD患者和34位正常对照的MRI扫描。 实验表明，该算法具有较高的AD识别精度，灵敏度为1，特异性为0.93。

Alzheimer-s-disease-documentation:阿尔茨海默氏病的常见检查方法和诊断方法

阿尔茨海默氏病分类的可解释深度学习框架的开发和验证 这项工作发表在Brain （ ）中。 介绍 此回购包含PyTorch实施的深度学习框架，该框架从磁共振成像中描绘出可解释的阿尔茨海默氏病特征（3D疾病风险图），然后将其与年龄，性别和小脑力状态检查分数等多模式输入进行整合。 我们的框架将完全卷积网络（FCN）链接到多层感知器。 FCN生成特定于患者的3D疾病风险图（密集的本地预测），请参见下文。 FCN模型是在ADNI训练和验证集上开发的，其性能在ADNI测试集，3个外部测试数据集（包括NACC，AIBL和FHS数据集）上进行了评估。 所有位置的Matthews相关系数（MCC）值显示为MCC热图，以可视化每个位置上FCN的准确性。 MLP对诊断结果进行最终的全局预测。 为了验证目的，将预测的高风险区域与神经病变的发现进行了比较，并在这项工作中证明了模型预测区域与神经病变的发现之间的

基于脑电图记录的非线性和动态功能性大脑连通性成像及其在阿尔茨海默氏病诊断中的应用

模拟阿尔茨海默氏病中功能性大脑网络的进化：从全球活动的角度探索疾病动力学

由于其破坏性作用和缺乏治疗选择，阿尔茨海默氏病正Swift成为该国最知名的疾病之一。 在这种致命疾病中，有一小部分人被诊断出患有早发性阿尔茨海默氏病。 据了解，这些人看到这种疾病的速度更快，并且死亡的时间也相当快，但原因尚不清楚。 这篇评论比较了早期发作（EOAD）和晚期发作（LOAD）的类型，试图确定两者之间最明显的区别。 连接EOAD和LOAD的遗传基础是载脂蛋白E基因（APOE），可特异性指示ε4等位基因的代谢改变。 EOAD和LOAD之间的地形萎缩差异支持了两个阿尔茨海默氏病类别之间更明显的认知差异。 EOAD患者更快，更广泛的萎缩与他们在注意力，语言，视觉空间和执行功能方面遇到的困难有关。 最后，两种AD亚型之间的大脑代谢也不同，其中EOAD表示损伤分布广泛，并且代谢在大脑的更多不同区域分解。

阿尔茨海默氏病分析

该模型使用基于磁共振成像 (MRI) 的 ResNet-18 模型检测阿尔茨海默病 (AD)。 在该模型中，我们提出了一种在 3D CNN 中利用迁移学习的方法，该方法允许将知识从 2D 图像数据集 (ImageNet) 迁移到 3D 图像数据集。 为了构建 3D ResNet-18，2D ResNet-18 的 2D 过滤器在第三维中扩展为具有 3D 过滤器。 其余层根据新过滤器进行了调整。 然后，将整个 MRI 用于训练 3D ResNet-18，以对每个人做出一个决定。 我们的结果表明，将转移学习引入3D CNN可以提高AD检测系统的准确性。 这种方法在我们的 ADNI 数据集上实现了 96.88% 的准确度、100% 的灵敏度和 93.75% 的特异性。 此文件夹中目前有一些示例图像。 要访问更多图像，您需要将您的应用程序发送到 ADNI ( http://adni.loni

snRNAseq_bulkRNAseq_DEG_analysis RNAseq数据元分析的管道（Mathys-Grubman-GSE95587）