XiaoMi-AI文件搜索系统
World File Search System乳腺
曼彻斯特乳腺中心 - 曼彻斯特大学
我们最初有 7 位主要研究乳腺和乳腺癌的首席研究员，但我们很快就发展壮大并获得了认可，成为曼彻斯特癌症研究中心的乳腺研究中心，该中心由曼彻斯特大学、英国癌症研究中心和克里斯蒂 NHS 基金会合作成立。多年来，我们已发展成为一个合作团体，拥有 21 位首席研究员和 16 位副研究员 (breastcentre.manchester.ac.uk)。我们拥有大量研究支持，包括 60 多名博士后研究员、研究助理、研究护士和营养师。我们培训了大量执行博士研究项目的临床研究员和非临床科学家。目前，MBC 拥有由广泛政府和慈善机构资助的 100 多名研究人员 (第 43 页)。我们由 37 名研究学者组成的团体已成为基础和转化乳腺研究的中心，现在我们是世界上最大的基础和临床乳腺研究人员集体之一。
乳腺放射科医生的末日来临了吗？
人工智能 (AI) 席卷了放射学，尤其是乳房 X 光检查的解读，最近我们看到有关 AI 在乳房放射学中潜在用途的出版物数量激增。乳腺癌给国家医疗服务体系 (NHS) 带来了很大负担，截至 2018 年，乳腺癌是英国第二大常见癌症。过去十年，乳腺癌新病例呈上升趋势，而存活率一直在提高。NHS 乳腺癌筛查计划提高了存活率。筛查计划的扩展导致乳房 X 光检查增多，从而给放射科医生带来了更多工作，而重复读取的问题进一步加剧了工作量。引入计算机辅助检测 (CAD) 系统来帮助放射科医生，但结果发现并未达到提高读取员表现的预期结果。CAD 系统的不可靠性导致了乳腺成像领域研究和应用开发的激增。机器学习在乳腺放射学中的应用取得了成功，这导致人们提出 AI 将取代乳腺放射科医生的想法。当然，AI 在放射学中有许多应用和潜在用途，但它会取代放射科医生吗？我们回顾了许多关于 AI 在乳腺放射学中的应用的文章，为未来的放射科医生和放射科医师提供有关此主题的完整信息。本文重点介绍 AI 在放射学中的基本原理和术语、潜在用途以及 AI 在放射学中的局限性。我们还分析了文章并回答了 AI 是否会取代放射科医生的问题。
犬乳腺肿瘤：分类，生物标志物...
摘要：近年来，许多研究将注意力集中在狗上，作为人类癌症的适当动物模型。在狗中，乳腺肿瘤自发发展，涉及肿瘤细胞与免疫系统之间的复杂相互作用，并揭示了与人类乳腺癌的几个分子和临床相似性。在这篇综述中，我们总结了犬乳腺肿瘤，危险因素以及用于诊断和治疗的最重要的生物标志物的主要特征。狗中乳腺肿瘤的传统疗法包括手术，这是首选，其次是化学疗法，放疗或荷尔蒙治疗。但是，这些治疗策略可能并不总是足够的。了解癌症机制和创新治疗的发展方面的进步为肿瘤患者的预后改善提供了希望。对使用个性化医学的使用仍然越来越感兴趣，这不仅在人类癌症疗法中，而且在兽医肿瘤学方面都应该在研究中发挥不可替代的作用。此外，免疫疗法可能代表犬乳腺癌中新颖而有前途的治疗选择。新型治疗方法的研究对于人类和兽医肿瘤学的未来研究至关重要。
恶性乳腺肿瘤的冷冻消融治疗
一项临床试验利用液氮 (LN2) 冷冻消融治疗小型、低风险、早期恶性乳腺肿瘤，无需随后将其切除。该试验于 2014 年启动，共招募了全美 19 家医院和医疗中心的 206 名患者。在 ICE3 试验期间，194 名符合冷冻消融治疗条件的患者中有 188 名没有复发。研究小组还发现，在接受乳房冷冻消融治疗的低风险早期乳腺癌患者中，只有 2.06%（平均年龄 75 岁）出现同侧乳腺肿瘤复发 (IBTR)。冷冻消融尚未与乳腺肿瘤手术切除作为一种可行的替代方案进行过比较。这项试验是非随机的，作者指出，应该进行进一步的研究来评估冷冻消融作为一种可行的治疗替代方案。
与 BRCA2 缺陷型乳腺肿瘤相比
荷兰癌症研究所 Oncode 研究所分子病理学部1066CX 阿姆斯特丹，荷兰 2 荷兰癌症研究所 Oncode 研究所分子致癌作用分部，1066CX 阿姆斯特丹，荷兰 3 延世大学医学院江南 Severance 医院生物医学系统信息学系，首尔 03722，韩国 4 肿瘤蛋白质组学实验室，阿姆斯特丹 UMC 医学肿瘤学系，1081HV 阿姆斯特丹，荷兰 5 荷兰癌症研究所 Oncode 研究所细胞生物学分部，1066CX 阿姆斯特丹，荷兰 6 伯尔尼大学生物医学研究中心癌症治疗耐药性集群和伯尔尼精准医学中心，3088 伯尔尼，瑞士 7 伯尔尼大学 Vetsuisse 学院动物病理学研究所，3012 伯尔尼，瑞士 8 荷兰癌症研究所临床前干预部小鼠癌症和衰老诊所，1066CX 阿姆斯特丹，荷兰 9 这些作者贡献相同l.wessels@nki.nl (LFAW)、sven.rottenberg@vetsuisse.unibe.ch (SR)、j.jonkers@nki.nl (JJ) https://doi.org/10.1016/j.celrep.2023.112538
晚期乳腺肿瘤委员会的数字化解决方案
背景：癌症治疗正不断发展，朝着基于临床特征、影像和基因组病理学信息的更加个性化的方法发展。为了确保为患者提供最佳护理，多学科团队 (MDT) 定期开会审查病例。尽管如此，MDT 会议的开展仍受到医疗时间限制、关键 MDT 成员无法参加以及需要额外行政工作的挑战。这些问题可能导致成员在 MDT 会议期间丢失信息并推迟治疗。为了探索和促进法国 MDT 会议的改进方法，以晚期乳腺癌 (ABC) 为模型，Léon Bérard 中心 (CLB) 和 ROCHE Diagnostics 共同创建了一个基于结构化数据的 MDT 应用程序原型。目标：在本文中，我们想描述如何在 CLB 为 ABC MDT 会议实施应用程序原型以支持临床决策。方法：在启动共同创建活动之前，对 ABC MDT 会议的组织审计确定了 MDT 的以下四个关键阶段：发起、准备、执行和后续阶段。对于每个阶段，我们都确定了挑战和机遇，并为新的共同创造活动提供信息。MDT 应用程序原型成为集成医疗文件中结构化数据以可视化患者肿瘤病史的软件。通过前后审计和对参与 MDT 的医疗保健专业人员进行的调查问卷对数字解决方案进行了评估。结果：在 3 次 MDT 会议期间进行了 ABC MDT 会议审计，包括实施 MDT 应用程序原型之前 70 次临床病例讨论和实施之后 58 次临床病例讨论。我们确定了 33 个与准备、执行和后续阶段相关的痛点。未发现与启动阶段相关的问题。困难分为以下几类：流程挑战（n=18）、技术限制（n=9）和缺乏可用资源（n=6）。MDT 会议的准备是出现问题最多的阶段（n=16）。在实施 MDT 应用程序后进行的重复审计表明：(1) 每例病例的讨论时间保持不变 (2 分 22 秒 vs 2 分 14 秒)，(2) MDT 决策的获取得到改善 (所有病例都包括治疗方案)，(3) 治疗决策没有推迟，(4) 肿瘤内科医生在决策中的平均信心增加。结论：在 CLB 引入 MDT 应用程序原型来支持 ABC MDT 似乎提高了临床决策的质量和信心。将 MDT 应用程序与本地电子病历相结合并使用符合国际术语的结构化数据可以使国家 MDT 网络支持持续改善患者护理。
乳房疼痛（乳腺痛） - 患者手册
乳房疼痛，又称乳腺痛，是许多女性在一生中都会经历的一个常见问题。症状范围从轻微不适到剧烈疼痛，可能影响单侧或双侧乳房。乳房胀痛和疼痛可能随月经来潮而来（周期性），也可能没有任何规律（非周期性）。值得注意的是，乳房疼痛很少是由严重的健康问题引起的。有时，医生可能会要求进行其他检查（例如乳房 X 光检查和/或超声波检查）以确定疼痛的原因，但这些检查很少能得出阳性结果。坚持进行常规乳房 X 光检查（从 40 岁开始，每年或每两年一次）是关键。
乳腺肿瘤激酶 (Brk/PTK6) 促进乳腺肿瘤异种移植生长并调节体外化疗反应
1 基因组工程与维护中心，健康医学与环境研究所，伦敦布鲁内尔大学，Uxbridge UB8 3PH，英国；rajpal.burmi@gmail.com (RSB)；haroon.hussain@brunel.ac.uk (HAH)；julie.davies@ge.com (JAD) 2 英国癌症研究中心癌症治疗部，McElwain 实验室，癌症研究所，Sutton SM2 5NG，英国；gary.box@icr.ac.uk (GMB)；will.court@icr.ac.uk (WJC)；sue.eccles01@icr.ac.uk (SAE) 3 伦敦乳腺研究所，格蕾丝王妃医院，伦敦 W1U 5NY，英国；umar.wazir@rcsed.ac.uk (UW) kefah.mokbel@hcahealthcare.co.uk (KM) 4 卡迪夫中国医学研究合作组织，卡迪夫大学医学院，Heath Park，卡迪夫 CF14 4XN，英国；jiangw@cardiff.ac.uk * 通信地址：amanda.harvey@brunel.ac.uk；电话：+44-(0)1895-267264 † 现就职于 GE Healthcare，Pollards Wood, Chalfont Saint Giles, Buckinghamshire HP8 4SP，英国。
数字化乳腺断层合成的人工智能 - 读者研究结果
对于所有次要目标，都提供了估计值和相应的 95% 置信区间，以说明估计值的精确度。该研究采用了完全交叉设计，所有读者在两次访问中查看所有案例的图像，两次访问之间间隔 4 周或更长时间的记忆洗脱期，两次访问中使用和不使用 ProFound AI 阅读同一案例。每位读者被分配在第一次访问期间查看一半使用 ProFound AI 的案例和另一半不使用 ProFound AI 的案例，在第二次访问期间以平衡的方式查看使用和不使用 ProFound AI 的互补案例，这样每位读者都在使用和不使用 ProFound AI 的情况下阅读了所有案例。每个读者的案例阅读顺序都是随机分配的。读者被告知正在测量阅读时间，并且 ProFound AI 旨在减少阅读时间，但读者不知道每个案例的阅读时间测量值。