228 篇论文
神经科学领域致力于探索大脑如何运作，从记忆的形成为何会消失到情绪如何影响行为，这些研究直接关系到我们每个人的身心健康。在这一板块中，我们聚焦于神经系统疾病的最新发现，旨在让复杂的医学突破变得触手可及，帮助大众理解前沿科学如何改善我们的认知与生活。
Gist.Science 持续追踪并处理来自 medRxiv 的所有神经学预印本，确保您能第一时间获取未经同行评审但极具价值的前沿成果。我们不仅提供详尽的技术解读，更将晦涩的学术报告转化为通俗易懂的科普摘要，让您轻松把握研究核心。以下为您呈现该领域最新的预印论文列表。
一项针对241名多发性硬化症患者的调查显示，他们对人工智能在医疗保健领域的接受程度处于中等水平且具有情境依赖性，即患者最能接受将人工智能用于症状筛查等支持性、低风险任务，同时强烈倾向于由临床医生主导诊断和治疗决策，而这一立场更多是由其对人工智能的既往熟悉程度而非疾病严重程度所驱动。
本研究提出了一种基于神经心理学评分的、数据驱动的跨诊断表型严重程度指标，该指标在准确映射痴呆进展以及从临床异质性中区分疾病阶段方面，优于传统的基于时间的测量方法。
这项研究证实，虽然在精神分裂症等疾病中，病灶网络制图可能会受到全局连接组伪影的干扰，但通过严谨的低维投影框架进行评估，该方法在强迫症、失语症和癫痫等其他疾病中仍能保持真实的生物学特异性。
本研究表明，多层级情景记忆任务揭示了在认知需求增加的情况下，检索准确率与置信度随年龄增长及 APOE4 基因携带而产生的下降，从而为检测认知功能无障碍老年人中单层级范式可能忽略的细微缺陷提供了一种灵敏的方法。
本研究提出了一种多表征深度学习框架，该框架将体素级 PET 成像特征与区域级定量分析相结合，与单特征模型及标准临床评估相比，显著提高了检测认知功能下降的敏感性和准确性。
在一项针对45名重症肌无力患者的随机对照试验中，通过移动应用程序进行的远程医疗监测显著提高了患者感知的专家可及性，并促进了就医疗和技术问题进行频繁且及时的沟通，凸显了此类解决方案在满足管理这种罕见疾病对远程建议需求方面的潜力。
本研究表明，定量多参数磁共振成像（MPM）能有效检测出阶段特异性的微结构变化，例如临床前期中的早期脱髓鞘以及发病期亨廷顿舞蹈症中的广泛神经元丢失，从而确立了 MPM 作为追踪神经退行性变并与临床严重程度相关联的具有价值的无创生物标志物的地位。
在这项基于大型队列的研究中，研究表明，尽管由理论驱动的 ATN 分类与数据驱动的机器学习表型型之间的符合度仅为适度——这主要由 GFAP 而非共享的淀粉样蛋白、tau 蛋白及神经退行性生物标志物所驱动——但两种框架均能有效预测纵向认知功能下降，这表明整合这些互补的方法能够为阿尔茨海默病病理提供更全面的表征。