XiaoMi-AI文件搜索系统
World File Search System放射
机器学习和人工智能在肺栓塞放射学检测中的进展
肺栓塞 (PE) 是一种临床上难以诊断的疾病，症状从无症状到危及生命的不等。及时诊断取决于临床评估、D-二聚体检测和放射影像。计算机断层肺血管造影 (CTPA) 被认为是黄金标准成像方式，尽管由于读者依赖性，某些病例可能会被遗漏，导致患者预后不良。因此，实施更快、更准确的诊断策略至关重要，以帮助临床医生及时诊断和治疗 PE 患者并降低发病率和死亡率。机器学习 (ML) 和人工智能 (AI) 是医学领域（包括放射影像）中新兴的工具，有可能提高诊断效果。我们对研究的回顾表明，与放射科医生相比，计算机辅助设计 (CAD) 和 AI 工具在 CTPA 上识别 PE 方面表现出相似的优越灵敏度和特异性。几种工具展示了在放射扫描中识别轻微 PE 的潜力，显示出有希望帮助临床医生大幅减少漏诊的能力。然而，必须设计复杂的工具并进行大规模临床试验，以将人工智能融入日常临床环境并制定其伦理适用性指南。机器学习和人工智能还可以帮助医生制定个性化的管理策略，以改善患者的治疗效果。
弥合基于MRI的放射线学的差距
放射线学取决于提取各种基于图像的特征来提供决策支持。磁共振成像（MRI）有助于对患者护理的个性化，但高度依赖于获取和重建参数。今天，在放射线学背景下对MR图像的最佳预处理没有指南，这对于公布基于图像的签名至关重要。本研究旨在评估MRI中通常使用的三种不同强度归一化方法（NYUL，Whitestripe，Z-Score）的影响，以及两种强度离散化方法（固定的BIN大小和固定的BIN数字）。对这些方法的影响进行了评估对从脑MRI提取的一阶放射素学特征，从而为未来的放射线学研究建立了统一的方法。使用了两个独立的MRI数据集。第一个（DataSet1）包括20名患有II级和III Gliomas的机构患者，他们接受了对比后3D轴向T1加权（T1W-GD）和T2加信的轴向T2加权流体衰减反转反转恢复（T2W-FLAIR）序列（T2W-FLAIR）序列（T2W-FLAIR）在两个不同的MR设备上（1.5 T和3.0 T和3.0 T and）。Jensen -Shannon差异用于比较标准化前后的强度直方图对。使用一致性相关系数和阶层内相关系数分析了两个采集之间一阶和二阶特征的稳定性。强度归一化高度提高了一阶特征的鲁棒性和随后的分类模型的性能。从公共TCIA数据库中提取第二个数据集（DataSet2），其中包括108例WHO II级和III级神经胶质瘤的患者，以及135例WHO IV级胶质母细胞瘤的患者。使用五种完善的机器学习算法，根据肿瘤等级分类任务（平衡精度测量）评估了归一化和离散方法的影响。For the T1w-gd sequence, the mean balanced accuracy for tumour grade classification was increased from 0.67 (95% CI 0.61–0.73) to 0.82 (95% CI 0.79–0.84, P = .006), 0.79 (95% CI 0.76–0.82, P = .021) and 0.82 (95% CI 0.80–0.85, P = 。005）分别使用NYUL，Whitestripe和Z得分归一化方法，而没有归一化。相对离散化使得不必要地将强度归一化用于二阶放射线学特征。即使离散化的垃圾箱对分类表现有很小的影响，也获得了良好的妥协
在嵌合抗原受体T细胞疗法之前进行桥接放射疗法的结果
结果：在51例患者中，有25.5％的患有笨重的疾病，而64.7％的患者在RT时患有III/IV期。仅针对所有疾病部位的综合BRT均递送至51％的患者，而29.4％的患者则被全身治疗。中位随访时间为10.3个月（95％CI：7.7-16.4）。在卡尔-T输注后30天时，总体响应率（ORR）为82.4％。中位总生存期（OS）为22.1个月（6.6个未达到），中位无进展生存期（PFS）为7.4个月（5.5-30）。OS/PFS分别为1年的80％（66-99）/78％（64-87），分别为2年的59％（44-71）/54％（40-67）。综合的RT与疾病的所有部位有关，与改善的PFS和OS相关，P≤0.04。此外，ECOG≥2和III/IV期疾病预测OS差（P≤0.02）。疾病大量，IPI≥3和非GCB组织学是疾病的预测因子不良 -
放射素和阿尔茨海默氏病管理中的AI
阿尔茨海默氏病（AD）是痴呆症的主要原因，由于人口老龄化而构成了日益严重的全球健康挑战。早期和准确的诊断对于优化治疗和管理至关重要，但是传统的诊断方法通常在解决AD病理学的复杂性方面通常不足。放射组学和人工智能（AI）的最新进步通过整合定量成像功能和机器学习算法来增强诊断和预后精度，从而提供了新的解决方案。本综述探讨了放射线学和AI在AD中的应用，重点介绍了PET和MRI等关键成像方式，以及结合结构和功能数据的多模式方法。我们讨论了这些技术鉴定疾病特异性生物标志物，预测疾病进展并指导个性化干预措施的潜力。此外，该评论还解决了关键挑战，包括数据标准化，模型解释性以及将AI集成到临床工作流程中。通过强调当前的成就并确定未来的方向，本文强调了AI驱动的放射线学在重塑AD诊断和护理方面的变革潜力。
纹章：物理参数和生物学因素会影响放射疗法与免疫疗法相结合的脱节效应：临床前工作的更新
在发表的文章中，有几个错误。代替“中国深圳深圳大学医学院”，官员4应该是“马歇尔生物医学工程实验室，中国深圳大学医学院生物医学工程学院，中国登陆大学”。代替“量子医学科学院，QUSSCOCICONT与技术研究所高级核医学科学系，日本Chiba，日本Chiba”，应为“ Quantum Science和Chiba，Chiba，Chiba，National Medical Scients，National Medical Scients，National Medical Scients，National Medical Scients of Accelerator and Medical Physicts of Accelerator and Bysical Physick。作者对这些错误表示歉意，并指出这不会以任何方式改变文章的科学结论。原始文章已更新。
放射性废物管理程序...
8.2.1.2. 辐射安全部门工作人员将在 HP Assist 中输入废物标签，并虚拟处理与废物标签相关的所有 HP Assist 物品。请参阅第 8.3.2 节和程序 RS-16，放射性物质清单。8.2.1.3. 辐射安全部门技术人员将从授权用户实验室收集废物并将其运送到放射性废物储存设施。这可能涉及手动搬运废物或按照工作人员的指示用国家车辆搬运废物。在某些情况下，废物可能存放在授权用户设施中。
利用深度学习和手工放射组学预测立体定向放射治疗后脑肿瘤的不良放射效应
方法：收集接受 SRT 治疗 BM 的患者的钆增强 T1 加权 MRI 和特征，用于来自不同机构的训练和测试队列（N = 1,404）和验证队列（N = 237）。从训练集中的每个病变中提取放射组学特征并用于训练极端梯度增强 (XGBoost) 模型。在同一队列上训练 DL 模型以进行单独预测并提取最后一层特征。使用 XGBoost 的不同模型仅使用放射组学特征、DL 特征和患者特征或它们的组合构建。使用外部数据集上的受试者工作特征曲线的曲线下面积 (AUC) 进行评估。研究了对个体病变和每个患者发展为 ARE 的预测。
利用机器学习得出的解剖 MRI 图谱对痴呆症进行放射学分类
与本文无关的竞争性经济利益：OC 报告称，他已收到 AskBio（2020 年）的咨询费，已收到 Expression Santé（2019 年）的撰写普通观众短文的费用，已收到 Palais de la découverte（2017 年）的普通观众演讲演讲费，并且他的实验室已收到 Qynapse（2017 年至今）的资助（支付给该机构）。他的实验室成员与 myBrainTechnologies（2016 年至今）共同指导了一篇博士论文。OC 的配偶是 myBrainTechnologies（2015 年至今）的员工。OC 已向世界知识产权组织国际局提交了一项专利（PCT/IB2016/0526993、Schiratti JB、Allassonniere S、Colliot O、Durrleman S、一种确定生物现象时间进程的方法以及相关方法和设备）（2016 年）。
研究项目经理部门：放射治疗...
工作目的/范围这篇文章是一个机会，为一个充满激情，动机的人提供了出色的人际交往，沟通，IT，财务和组织技能，可以在Christie NHS基金会信托基金会提供放射疗法相关研究（RRR）中提供支持。作为曼彻斯特癌症研究中心的放射治疗生物加热主题的一部分资助，研究项目经理将致力于帮助提供尖端的RRR研究成果，发展牢固的关系并与RRR中的临床和非临床研究人员一起工作。曼彻斯特癌症研究中心是一个转化研究中心，该中心在五个横切研究主题中提供世界领先的研究，以通过团结临床和翻译研究来实现所有人实施癌症精度的愿景。邮政持有人将支持放射疗法生物适应主题，该主题涵盖了各种焦点领域，包括灵敏度和毒性生物标志物，图像引导的治疗以及涵盖靶向药物和免疫疗法的合并方式方法。最终，我们希望通过在实时越来越多地整合患者特异性和肿瘤特异性信息来个性化放射疗法。