[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
اصول اخلاقی::
ثبت نام و اشتراک::
تسهیلات پایگاه::
تماس با ما::
::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
Copyright Policies

AWT IMAGE

..
Open Access Policy

نحوه دسترسی به تمام مقالات مجله بصورت زیر است:

Creative Commons License
..

..
ثبت شده در

AWT IMAGE

AWT IMAGE

..
:: تابستان ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
تحلیل مقایسه ای تکنیک‌های تشخیصی در بیماری آلزایمر: نقش هوش مصنوعی، نشانگرهای زیستی و روش‌های نقشه برداری مغز
الیاس مزروعی راد* ، محمدرضا دستوری ، سید علی زنده باد
گروه مهندسی پزشکی، موسسه آموزش عالی خاوران، مشهد، ایران ، elias_mazrooei@yahoo.com
چکیده:   (38 مشاهده)
مقدمه: هدف اصلی این مقاله بررسی انتقادی و مقایسه روش‌های تشخیصی مرسوم بیماری آلزایمر با تأکید ویژه بر پتانسیل پیشگامانه نشانگرهای زیستی و روش‌های نقشه‌برداری مغز است. با توجه به افزایش جهانی موارد آلزایمر، نیاز فوری به رویکردهای تشخیصی نوآورانه ای وجود دارد که فراتر از روش های سنتی است، که اغلب فاقد دقت و صحت پیش بینی هستند. این مطالعه به بررسی جامعی از ابزارهای تشخیصی پیشرفته از جمله هوش مصنوعی مانند یادگیری ماشین و یادگیری عمیق، روشهای نقشه برداری مغز مانند الکتروانسفالوگرافی و تصویر برداری تشدید مغناطیسی ، و نشانگرهای زیستی مانند پروتئین تاو و بتا آمیلوئید می‌پردازد که می‌توان آن‌ها را از طریق روش‌های نوآورانه بصری و دستی شناسایی کرد. این تحقیق همچنین اهمیت ایجاد پروتئین اولیه در خون بیماران آلزایمر را که قبل از شروع علائم رخ می‌دهد، بررسی می‌کند و فرصتی حیاتی برای مداخله زودهنگام فراهم می‌کند که می‌تواند تاثیر زیادی بر نتایج درمان داشته باشد. نتیجه گیری: نتیجه‌گیری بر پتانسیل تحول‌آفرین ترکیب روش‌های نقشه‌برداری مغز با تحلیل دستی تأکید دارد. این رویکرد امکان شناسایی تغییرات ساختاری و فعالیت مغز مرتبط با آلزایمر را فراهم می‌کند و تشخیص زودهنگام و دقیق‌تر را تسهیل می‌کند. همچنین مطالعات نشان میدهد که سطح پروتئین‌های مشتق از مغز در مایع مغزی نخاعی به طور قابل‌توجهی بالاتر از خون است، جایی که آنها توسط پروتئین‌های پلاسما فراوان مانند آلبومین و ایمونوگلوبولین‌ها رقیق می‌شوند. این کشف نگرانی‌هایی را در مورد قابلیت اطمینان تشخیص‌های بالینی فعلی ایجاد می‌کند و بر نیاز به اعتبارسنجی شاخص‌های تشخیصی جدید از طریق تکنیک‌های دستی مبتنی بر هوش مصنوعی در برابر استانداردهای آسیب‌شناسی عصبی تأکید می‌کند. در پایان، مطالعات نشان میدهد ادغام ارزیابی‌های شناختی، نشانگرهای زیستی، روش های نقشه برداری مغزی و تست‌های مولکولی با بهره گیری از هوش مصنوعی میتواند پیشرفت قابل‌توجهی را در دقت و صحت تشخیصی نشان دهد که میتواند برای مدیریت و درمان بیماران آلزایمر بسیار ضروری باشد.
 
واژه‌های کلیدی: الکتروانسفالوگرافی، زوال عقل، ایمونوگلوبولین‌ها، هوش مصنوعی
متن کامل [PDF 1415 kb]   (19 دریافت)    
نوع مطالعه: مروری | موضوع مقاله: علوم اعصاب شناختی
فهرست منابع
1. Scheltens P, Blennow K, Breteler MM, De Strooper B, Frisoni GB, Salloway S, Van der Flier WM. Alzheimer's disease. The Lancet. 2016; 388(10043): 505-17. [DOI:10.1016/S0140-6736(15)01124-1]
2. Lynch C. World Alzheimer Report 2019: Attitudes to dementia, a global survey: Public health: Engaging people in ADRD research. Alzheimer's & Dementia. 2020; 16: e038255. [DOI:10.1002/alz.038255]
3. mazrooei e, azarnoosh m, ghoshuni m, khalilzadeh m. Comparison of the Function of the Elman Neural Network and the Deep Neural Network for the Diagnosis of Mild Alzheimer's Disease. The Neuroscience Journal of Shefaye Khatam. 2021; 10(1): 1-11. [DOI:10.52547/shefa.10.1.1]
4. Trejo-Lopez JA, Yachnis AT, Prokop S. Neuropathology of Alzheimer's disease. Neurotherapeutics. 2023; 19(1): 173-85. [DOI:10.1007/s13311-021-01146-y]
5. Gobom J, Brinkmalm A, Brinkmalm G, Blennow K, Zetterberg H. Alzheimer's disease biomarker analysis using targeted mass spectrometry. Molecular & Cellular Proteomics. 2024; 23(2). [DOI:10.1016/j.mcpro.2024.100721]
6. Levine TF, Allison SL, Dessenberger SJ, Head D, Initiative AsDN. Clinical utility of self-and informant-reported memory, attention, and spatial navigation in detecting biomarkers associated with Alzheimer disease in clinically normal adults. Journal of the International Neuropsychological Society. 2024; 30(3): 232-43. [DOI:10.1017/S1355617723000528]
7. Shui B, Tao D, Florea A, Cheng J, Zhao Q, Gu Y, et al. Biosensors for Alzheimer's disease biomarker detection: a review. Biochimie. 2018; 147: 13-24. [DOI:10.1016/j.biochi.2017.12.015]
8. Mirzaie A, Nasrollahpour H, Khalilzadeh B, Jamali AA, Spiteri RJ, Yousefi H, et al. Cerebrospinal fluid: A specific biofluid for the biosensing of Alzheimer's diseases biomarkers. TrAC Trends in Analytical Chemistry. 2023: 117174. [DOI:10.1016/j.trac.2023.117174]
9. Alamro H, Thafar MA, Albaradei S, Gojobori T, Essack M, Gao X. Exploiting machine learning models to identify novel Alzheimer's disease biomarkers and potential targets. Scientific reports. 2023; 13(1): 4979. [DOI:10.1038/s41598-023-30904-5]
10. Kim K, Lee CH, Park CB. Chemical sensing platforms for detecting trace-level Alzheimer's core biomarkers. Chemical Society Reviews. 2020; 49(15): 5446-72. [DOI:10.1039/D0CS00107D]
11. Rodríguez-Arellano J, Parpura V, Zorec R, Verkhratsky A. Astrocytes in physiological aging and Alzheimer's disease. Neuroscience. 2016; 323: 170-82. [DOI:10.1016/j.neuroscience.2015.01.007]
12. mazrooei rad e, pazhoumand h, salmani bajestani s. Separation of Healthy Individuals and Patients with Alzheimer's Disease Using the Effective Communication of Brain Signals. The Neuroscience Journal of Shefaye Khatam. 2022; 11(1): 1-12. [DOI:10.52547/shefa.11.1.1]
13. Hansson O, Blennow K, Zetterberg H, Dage J. Blood biomarkers for Alzheimer's disease in clinical practice and trials. Nature Aging. 2023; 3(5): 506-19. [DOI:10.1038/s43587-023-00403-3]
14. van Oostveen WM, de Lange EC. Imaging techniques in Alzheimer's disease: a review of applications in early diagnosis and longitudinal monitoring. International journal of molecular sciences. 2021; 22(4): 2110. [DOI:10.3390/ijms22042110]
15. Thompson PM, Hayashi KM, Sowell ER, Gogtay N, Giedd JN, Rapoport JL, et al. Mapping cortical change in Alzheimer's disease, brain development, and schizophrenia. Neuroimage. 2004; 23: S2-S18. [DOI:10.1016/j.neuroimage.2004.07.071]
16. Q. Chen, Y. Li, and X. Yuan, "A hybrid method for muscle artifact removal from eeg signals," Journal of Neuroscience Methods, vol. 353, p. 109104, 2021. [DOI:10.1016/j.jneumeth.2021.109104]
17. Johnson KA, Fox NC, Sperling RA, Klunk WE. Brain imaging in Alzheimer disease. Cold Spring Harbor perspectives in medicine. 2012; 2(4): a006213. [DOI:10.1101/cshperspect.a006213]
18. khazaei h, Mazrooei Rad E. Alzheimer's Disease Diagnosis Using Brain Signals and Artificial Neural Networks. The Neuroscience Journal of Shefaye Khatam. 2023; 11(3): 68-80. [DOI:10.61186/shefa.11.3.68]
19. Wang D, Honnorat N, Fox PT, Ritter K, Eickhoff SB, Seshadri S, et al. Deep neural network heatmaps capture Alzheimer's disease patterns reported in a large meta-analysis of neuroimaging studies. Neuroimage. 2023; 269: 119929. [DOI:10.1016/j.neuroimage.2023.119929]
20. Zendehbad A, Kobravi HR, Khalilzadeh MM, Sharifi Razavi A, Sasannejad P. A New Visual Biofeedback Protocol Based on Analyzing the Muscle Synergy Patterns to Recover the Upper Limbs Movement in Ischemic Stroke Patients: A Pilot Study. The Neuroscience Journal of Shefaye Khatam. 2023; 11(3): 11-24. [DOI:10.61186/shefa.11.3.11]
21. Vijayakumaran P, Narzary D, Gonuguntla V, Lee H-W, Veluvolu KC, editors. EEG based Functional Connectivity Analysis of Alzheimer's Disease Subjects. 2020 International Conference on Artificial Intelligence in Information and Communication (ICAIIC); 2020: IEEE. [DOI:10.1109/ICAIIC48513.2020.9065285]
22. Zürcher C, Humpel C. Saliva: a challenging human fluid to diagnose brain disorders with a focus on Alzheimer's disease. Neural Regeneration Research. 2023; 18(12): 2606-10. [DOI:10.4103/1673-5374.373675]
23. Zetterberg H, Bendlin BB. Biomarkers for Alzheimer's disease-preparing for a new era of disease-modifying therapies. Molecular psychiatry. 2021; 26(1): 296-308. [DOI:10.1038/s41380-020-0721-9]
24. Huang S, Wang Y-J, Guo J. Biofluid biomarkers of Alzheimer's disease: progress, problems, and perspectives. Neuroscience bulletin. 2022; 38(6): 677-91. [DOI:10.1007/s12264-022-00836-7]
25. Blennow K, Zetterberg H. Biomarkers for Alzheimer's disease: current status and prospects for the future. Journal of internal medicine. 2018; 284(6): 643-63. [DOI:10.1111/joim.12816]
26. Anoop A, Singh PK, Jacob RS, Maji SK. CSF biomarkers for Alzheimer's disease diagnosis. International journal of Alzheimer's disease. 2010; 2010. [DOI:10.4061/2010/606802]
27. Vromen EM, de Boer SC, Teunissen CE, Rozemuller A, Sieben A, Bjerke M, et al. Biomarker A+ T−: is this Alzheimer's disease or not? A combined CSF and pathology study. Brain. 2023; 146(3): 1166-74. [DOI:10.1093/brain/awac158]
28. Scarano S, Lisi S, Ravelet C, Peyrin E, Minunni M. Detecting Alzheimer's disease biomarkers: From antibodies to new bio-mimetic receptors and their application to established and emerging bioanalytical platforms-A critical review. Analytica Chimica Acta. 2016; 940: 21-37. [DOI:10.1016/j.aca.2016.08.008]
29. Devitt G, Howard K, Mudher A, Mahajan S. Raman spectroscopy: an emerging tool in neurodegenerative disease research and diagnosis. ACS chemical neuroscience. 2018; 9(3): 404-20. [DOI:10.1021/acschemneuro.7b00413]
30. Topor C-V, Puiu M, Bala C. Strategies for surface design in surface plasmon resonance (SPR) sensing. Biosensors. 2023; 13(4): 465. [DOI:10.3390/bios13040465]
31. Song C, Guo S, Jin S, Chen L, Jung YM. Biomarkers determination based on surface-enhanced Raman scattering. Chemosensors. 2020; 8(4): 118. [DOI:10.3390/chemosensors8040118]
32. Zhao J, Xu N, Yang X, Ling G, Zhang P. The roles of gold nanoparticles in the detection of amyloid-β peptide for Alzheimer's disease. Colloid and Interface Science Communications. 2022; 46: 100579. [DOI:10.1016/j.colcom.2021.100579]
33. de Oliveira TR, Erbereli CR, Manzine PR, Magalhaes TN, Balthazar ML, Cominetti MR, Faria RC. Early diagnosis of Alzheimer's disease in blood using a disposable electrochemical microfluidic platform. ACS sensors. 2020; 5(4): 1010-9. [DOI:10.1021/acssensors.9b02463]
34. Mobed A, Hasanzadeh M. Biosensing: The best alternative for conventional methods in detection of Alzheimer's disease biomarkers. International journal of biological macromolecules. 2020; 161: 59-71. [DOI:10.1016/j.ijbiomac.2020.05.257]
35. Korecka M, Shaw LM. Mass spectrometry‐based methods for robust measurement of Alzheimer's disease biomarkers in biological fluids. Journal of neurochemistry. 2021; 159(2): 211-33. [DOI:10.1111/jnc.15465]
36. Liu Y, Huang Z, Xu Q, Zhang L, Liu Q, Xu T. Portable electrochemical micro-workstation platform for simultaneous detection of multiple Alzheimer's disease biomarkers. Microchimica acta. 2022; 189(3): 91. [DOI:10.1007/s00604-022-05199-4]
37. Rani S, Dhar SB, Khajuria A, Gupta D, Jaiswal PK, Singla N, et al. Advanced overview of biomarkers and techniques for early diagnosis of alzheimer's disease. Cellular and Molecular Neurobiology. 2023; 43(6): 2491-523. [DOI:10.1007/s10571-023-01330-y]
38. Kulkarni MB, Ayachit NH, Aminabhavi TM. Biosensors and microfluidic biosensors: from fabrication to application. Biosensors. 2022; 12(7): 543. [DOI:10.3390/bios12070543]
39. Sharma A, Angnes L, Sattarahmady N, Negahdary M, Heli H. Electrochemical Immunosensors Developed for Amyloid-Beta and Tau Proteins, Leading Biomarkers of Alzheimer's Disease. Biosensors. 2023; 13(7): 742. [DOI:10.3390/bios13070742]
40. Le PG, Choi SH, Cho S. Alzheimer's Disease Biomarker Detection Using Field Effect Transistor-Based Biosensor. Biosensors. 2023; 13(11): 987. [DOI:10.3390/bios13110987]
41. Rouhi N, Akhgari A, Orouji N, Nezami A, Rahimzadegan M, Kamali H. Recent progress in the graphene-based biosensing approaches for the detection of Alzheimer's biomarkers. Journal of Pharmaceutical and Biomedical Analysis. 2023; 222: 115084. [DOI:10.1016/j.jpba.2022.115084]
42. Kim K, Kim M-J, Kim DW, Kim SY, Park S, Park CB. Clinically accurate diagnosis of Alzheimer's disease via multiplexed sensing of core biomarkers in human plasma. Nature communications. 2020; 11(1): 119. [DOI:10.1038/s41467-019-13901-z]
43. Miku E. Recent advancements in electrochemical biosensors for Alzheimer's disease biomarkers detection. Current Medicinal Chemistry. 2021; 28(20): 4049-73. [DOI:10.2174/0929867327666201111141341]
44. Mazrooei E, Azarnoosh M, Ghoshuni M, Khalilzadeh MM. Early detection of alzheimer's disease with nonlinear features of eeg signal and mri images by convolutional neural network. International Clinical Neuroscience Journal. 2022; 9: e20-e. [DOI:10.34172/icnj.2022.20]
45. Bazarbekov I, Razaque A, Ipalakova M, Yoo J, Assipova Z, Almisreb A. A review of artificial intelligence methods for Alzheimer's disease diagnosis: Insights from neuroimaging to sensor data analysis. Biomedical Signal Processing and Control. 2024; 92: 106023. [DOI:10.1016/j.bspc.2024.106023]


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.05 seconds with 53 queries by YEKTAWEB 4660