Introduction Sensorineural hearing loss (SNHL) can arise from a diverse range of congenital and acquired factors. Detecting it early is pivotal for nurturing speech, language, and cognitive development in children with SNHL. In our study, we utilized synthetic magnetic resonance imaging (SyMRI) to assess alterations in both gray and white matter within the brains of children affected by SNHL. Methods The study encompassed both children diagnosed with SNHL and a control group of children with normal hearing {1.5-month-olds ( n = 52) and 3-month-olds ( n = 78)}. Participants were categorized based on their auditory brainstem response (ABR) threshold, delineated into normal, mild, moderate, and severe subgroups.Clinical parameters were included and assessed the correlation with SNHL. Quantitative analysis of brain morphology was conducted using SyMRI scans, yielding data on brain segmentation and relaxation time.Through both univariate and multivariate analyses, independent factors predictive of SNHL were identified. The efficacy of the prediction model was evaluated using receiver operating characteristic (ROC) curves, with visualization facilitated through the utilization of a nomogram. It's important to note that due to the constraints of our research, we worked with a relatively small sample size. Results Neonatal hyperbilirubinemia (NH) and children with inner ear malformation (IEM) were associated with the onset of SNHL both at 1.5 and 3-month groups. At 3-month group, the moderate and severe subgroups exhibited elevated quantitative T1 values in the inferior colliculus (IC), lateral lemniscus (LL), and middle cerebellar peduncle (MCP) compared to the normal group. Additionally, WMV, WMF, MYF, and MYV were significantly reduced relative to the normal group. Additionally, SNHL-children with IEM had high T1 values in IC, and LL and reduced WMV, WMF, MYV and MYF values as compared with SNHL-children without IEM at 3-month group. LL-T1 and WMF were independent risk factors associated with SNHL. Consequently, a prediction model was devised based on LL-T1 and WMF. ROC for training set, validation set and external set were 0.865, 0.806, and 0.736, respectively. Conclusion The integration of T1 quantitative values and brain volume segmentation offers a valuable tool for tracking brain development in children affected by SNHL and assessing the progression of the condition's severity.

Motivation: With breast cancer now ranking as the predominant global cancer, there is a pressing need to enhance diagnostic accuracy and reduce unnecessary biopsies through the utilization of advanced imaging techniques. Goal(s): Our aim is to augment the precision of breast disease diagnosis by improving the contrast-enhanced MRI and DWI in routine scans. Approach: We developed a model that combines DISCO with deep learning-reconstructed DWI at a b-value of 800 s/mm² for differential diagnosis. Results: The integration of deep learning-reconstructed DWI and DISCO serves to significantly enhance the capability to differentiate between benign and malignant breast conditions. Impact: This advancement directly heightens the diagnostic efficiency of breast cancer within routine scanning sequences, contributing to more effective clinical solutions, and ultimately elevating both the quality of life and survival rates for patients.

Motivation: Extraocular rectus muscles (ERMs) are essential for precise eye movement control, and their assessment is vital for diagnosing eye conditions. Magnetic Resonance Imaging (MRI) is preferred due to its superior soft-tissue resolution, but it has limitations. Goal(s): To determine whether Deep Learning Reconstruction (DLR) can enhance eye image quality and diagnosis. Approach: A study with 28 patients used DLR on ocular MRI. Two readers evaluated the images independently, and statistical analyses were conducted. Results: DLR significantly improved ERM depiction and overall image quality compared to conventional MRI. Interobserver agreement was good, especially for structural depiction. DLR produced clear, detailed images, enhancing diagnostic potential. Impact: This study demonstrates that DLR improves MRI image quality for assessing eye conditions, potentially leading to more accurate diagnoses, reduced repeat examinations, and enhanced patient care.

Motivation: While the Kaiser score serves a pivotal role in diagnosing breast cancer, it still encounters scenarios where false positives necessitate biopsy confirmation. Goal(s): This study aims to investigate approaches to enhance the diagnostic efficacy of the Kaiser score through MRI. Approach: Leveraging deep learning to enhance both the quality of DWI images and diagnosis, we sought more effective indicators in conjunction with the Kaiser score. Results: ADC values derived from DWI images reconstructed using deep learning, with a b-value of 800 s/mm², in tandem with the Kaiser score, significantly enhance the diagnostic performance nearing 1. Impact: Integrating DWI under deep learning with the Kaiser score can elevate the accuracy of differentiating between benign and malignant breast cancers to almost 100%, leading to substantial improvements in breast cancer diagnosis and a reduction in unnecessary biopsies.

Motivation: The diagnosis of Autism Spectrum Disorder (ASD) poses a substantial challenge, primarily due to the lack of a definitive biomarker. Goal(s): Our primary objective is to uncover white matter irregularities prevalent in pediatric autism. Approach: Our study leveraged Tract-Based Spatial Statistics (TBSS) analysis to scrutinize deviations in the white matter microstructure in ASD, and we implemented an eXtreme Gradient Boosting (XGBoost) model to effectively differentiate between individuals with ASD and healthy controls. Results: Through the TBSS analysis, we identified notable disparities between groups. Moreover, the XGBoost model demonstrated exceptional proficiency in accurately classifying individuals with ASD and healthy controls. Impact: This study delved into the white matter microstructural alterations in individuals with ASD by examining DKI data and its associated white matter tract integrity (WMTI) metrics. Additionally, our machine learning findings offered fresh perspectives toward objectively diagnosing ASD.

Background Elevated PPP4C expression has been associated with poor prognostic implications for patients suffering from lung adenocarcinoma (LUAD). The extent to which PPP4C affects immune cell infiltration in LUAD, as well as the importance of associated genes in clinical scenarios, still requires thorough investigation. Methods In our investigation, we leveraged both single-cell and comprehensive RNA sequencing data, sourced from LUAD patients, in our analysis. This study also integrated datasets of immune-related genes from InnateDB into the framework. Our expansive evaluation employed various analytical techniques; these included pinpointing differentially expressed genes, constructing WGCNA, implementing Cox proportional hazards models. We utilized these methods to investigate the gene expression profiles of PPP4C within the context of LUAD and to clarify its potential prognostic value for patients. Subsequent steps involved validating the observed enhancement of PPP4C expression in LUAD samples through a series of experimental approaches. The array comprised immunohistochemistry staining, Western blotting, quantitative PCR, and a collection of cell-based assays aimed at evaluating the influence of PPP4C on the proliferative and migratory activities of LUAD cells. Results In lung cancer, elevated expression levels of PPP4C were observed, correlating with poorer patient prognoses. Validation of increased PPP4C levels in LUAD specimens was achieved using immunohistochemical techniques. Experimental investigations have substantiated the role of PPP4C in facilitating cellular proliferation and migration in LUAD contexts. Furthermore, an association was identified between the expression of PPP4C and the infiltration of immune cells in these tumors. A prognostic framework, incorporating PPP4C and immune-related genes, was developed and recognized as an autonomous predictor of survival in individuals afflicted with LUAD. This prognostic tool has demonstrated considerable efficacy in forecasting patient survival and their response to immunotherapeutic interventions. Conclusion The involvement of PPP4C in LUAD is deeply intertwined with the tumor’s immune microenvironment. PPP4C’s over-expression is associated with negative clinical outcomes, promoting both tumor proliferation and spread. A prognostic framework based on PPP4C levels may effectively predict patient prognoses in LUAD, as well as the efficacy of immunotherapy strategy. This research sheds light on the mechanisms of immune interaction in LUAD and proposes a new strategy for treatment.

Motivation: With the rising incidence of autism spectrum disorder (ASD) and the absence of clear diagnostic biomarkers, there's an urgent need to facilitate early diagnosis and intervention for affected children. Goal(s): We aimed to investigate microstructural disparities within the corpus callosum of ASD. Approach: We extracted diffusion parameters in the corpus callosum's genu, body, and splenium. Logistic Regression and Linear Discriminant Analysis models were constructed to assess the diagnostic potential of each parameter. Results: Significant distinctions in diffusion and white matter tract integrity metrics were observed, and machine learning models revealed the effectiveness of metrics in ASD diagnosis. Impact: DKI data can be used to evaluate the abnormalities in the microstructure of the corpus callosum in children with ASD and provide objective measurements to diagnose children with ASD.