XiaoMi-AI文件搜索系统
World File Search System脑转
整合用于脑转移的全身治疗和立体定向放射外科
摘要：脑转移（BM）代表了癌症的常见并发症，在现代时代，需要多模式的管理方法和多学科护理。传统上，由于细胞毒性化学疗法的有效性有限，治疗策略仅关注局部治疗，例如全脑放射疗法（WBRT），立体定向放射外科手术（SRS）和切除。然而，现在，基于中枢神经系统（CNS）渗透的基于分子疗法的可用性允许个性化选择定制的全身疗法与局部疗法一起使用。此外，引入免疫检查点抑制剂（ICIS），具有证明的CNS活性进一步彻底改变了BM患者的管理。将这些癌症治疗剂的迅速引入临床实践中导致了有关这些系统性疗法以及SRS以及SRS的最佳时机，测序和组合的发表文献的显着缺乏。本手稿回顾了BM患者的肿瘤生物学和分子方案对管理范式的影响，并严格分析了SRS的当前景观，并特别关注与全身疗法整合。我们还讨论了结合SRS和ICI的新兴治疗策略，时间的影响以及SR周围这些疗法的测序，皮质类固醇的作用以及审查处理后的成像发现，包括假性预测和辐射坏死。
全身治疗与立体定向放射外科治疗脑转移瘤的整合
摘要：脑转移 (BM) 是癌症的常见并发症，在现代需要多模式管理方法和多学科护理。传统上，由于细胞毒性化疗的疗效有限，治疗策略仅侧重于局部治疗，例如全脑放射治疗 (WBRT)、立体定向放射外科 (SRS) 和切除术。然而，随着分子疗法的普及，中枢神经系统 (CNS) 渗透性越来越强，现在可以个性化选择量身定制的全身疗法与局部治疗一起使用。此外，具有已证实的 CNS 活性的免疫检查点抑制剂 (ICI) 的引入进一步彻底改变了 BM 患者的管理。然而，这些癌症疗法迅速引入临床实践，导致关于这些全身疗法与 SRS 的最佳时机、顺序和组合的已发表文献严重匮乏。本文回顾了肿瘤生物学和分子特征对 BM 患者治疗模式的影响，并批判性地分析了 SRS 的当前前景，特别关注与全身治疗的结合。我们还讨论了结合 SRS 和 ICI 的新兴治疗策略、这些疗法在 SRS 周围的时间和顺序的影响、皮质类固醇的作用，并回顾了治疗后的影像学发现，包括假性进展和放射性坏死。
肺癌脑转移与原发肿瘤受体表达不一致的系统评价与荟萃分析
摘要背景转移性非小细胞肺癌的治疗模式越来越多地基于生物标志物驱动的疗法，其中最常见的改变是表皮生长因子受体 (EGFR) 的突变。此类生物标志物表达的变化可能会对所选靶向治疗的选择和疗效产生深远影响，因此本研究的目的是分析肺癌脑转移 (LCBM) 患者的 EGFR 状态不一致。方法使用 PRISMA 指南，对 Medline 数据库中 2020 年 5 月之前发表的活检或切除的 LCBM 系列进行系统评价。关键词包括“肺癌”和“脑转移”结合“表皮生长因子受体/EGFR”和“受体转换/不一致或一致”。使用加权随机效应模型计算汇总估计值。结果我们从 19 篇全文文章中确定了 501 名患者纳入本研究。所有患者均接受了至少一处颅内病变的活检或切除术，以与原发肿瘤进行比较。在原发肿瘤/LCBM 比较中，整体 EGFR 受体不一致的加权汇总估计值为 10%（95% CI 5-17%）。加权效应模型估计，在原发肿瘤阴性的患者中，脑转移瘤中 EGFR 突变的增加率为 7%（95% CI 4-12%）。或者，在原发肿瘤中检测到突变的患者中，EGFR 突变的丢失率为 7%（95% CI 4-10%）。在 148 名患者的子集中，还对原发肿瘤和 LCBM 进行了 KRAS 检测。与原发肿瘤相比，LCBM 中 KRAS 突变不一致的加权效应估计值为 13%（95% CI 5-27%）。 LCBM 中 KRAS 增加和损失的加权效应估计分别为 10%（95% CI 6–18%）和 8%（95% CI 4–15%）。元回归分析未发现与任何可能与不一致相关的因素有任何关联。结论原发性肿瘤和 LCBM 之间的 EGFR 和 KRAS 突变状态不一致分别发生在约 10% 和 13% 的患者中。评估 LCBM 受体状态是生物标志物驱动的颅内疾病靶向治疗的关键，而对于仅接受颅内疾病全身治疗的患者，了解亚型转换至关重要。
脑转移瘤的分子生物学
脑转移瘤 (BM) 常发生在肺癌、乳腺癌和黑色素瘤患者中，是发病率和死亡率的主要原因。随着神经影像学的进步和癌症患者总体生存期的延长，BM 的发病率有所增加。随着局部治疗方式的进步，包括立体定向放射外科手术和导航引导显微外科手术，即使在多发病变的情况下，BM 也可以得到长期控制。然而，放射/化疗药物也会对大脑产生毒性，通常是不可逆的和累积的，而且 BM 仍然很难完全治愈。因此，我们必须了解启动和维持 BM 的分子事件，以开发有效的靶向疗法和工具，防止局部和远处治疗失败。BM 最常通过血源性扩散，血脑屏障 (BBB) 是播散性肿瘤细胞 (DTC) 进入脑实质的第一个障碍。然而，DTC 如何穿过 BBB 并定居在相对贫瘠的中枢神经系统组织中仍是未知数。即使成功在脑中驻留，独特的肿瘤微环境也以有氧糖酵解代谢受限和淋巴细胞浸润有限为特点。脑器官趋向性是原发性癌症的某些表型，有利于脑转移，可能是体细胞突变或表观遗传调节所致。最近的研究表明，原发性癌症分泌的外泌体或蛋白水解酶的过度表达可以“预处理”脑血管内皮细胞。“转移性微环境”的概念，即驻留的 DTC 在增殖前保持休眠状态并免受全身化疗和抗原暴露，得到了清除全身性癌症患者的 BM 临床观察和癌细胞与肿瘤浸润淋巴细胞相互作用的实验证据的支持。本综述通过产生和维持 BM 的分子事件研究了 BM 转移级联的现有研究，以揭示可有助于开发有效靶向疗法的线索，这些疗法可治疗已建立的 BM 并防止 BM 复发。
大鼠脑转录组：从婴儿期到衰老和散发性阿尔茨海默病样病理
摘要：有人提出，成人大脑的功能特征（所有这些都是在生命早期形成的）可能会影响大脑对阿尔茨海默病 (AD) 的易感性。我们之前对衰老加速的 OXYS 大鼠（一种散发性 AD 模型）的研究结果支持这一假设。在这里，为了阐明大脑成熟过程中出现的异常的分子遗传性质，我们分析了 OXYS 大鼠和 Wistar（对照）大鼠在大脑成熟的关键时期（P3 和 P10 岁；P：出生后天数）的前额皮质 (PFC) 和海马的转录组（RNA-seq 数据）。我们在两个大脑结构中发现了 1000 多个差异表达基因；功能分析表明神经元接触形成效率降低，这大概主要是由于线粒体功能缺陷所致。接下来，我们比较了从婴儿期到 AD 样病变进展阶段（共五个年龄段）大鼠 PFC 和海马中差异表达的基因。三种基因（ Thoc3 、 Exosc8 和 Smpd4 ）在整个生命周期中均在 OXYS 大鼠的两个脑区中表现出过度表达。因此，婴儿期 OXYS 大鼠脑中神经网络形成效率的降低可能是导致其出现 AD 样病变的原因。
深度学习用于 MRI 上的脑转移瘤检测
摘要：由于手动检测脑转移瘤 (BM) 非常耗时，因此已经开展了使用深度学习来自动化此过程的研究。本研究的目的是对使用磁共振成像 (MRI) 检测癌症患者 BM 的深度学习模型的性能进行系统评价和荟萃分析。对 MEDLINE、EMBASE 和 Web of Science 进行了系统搜索，直至 2022 年 9 月 30 日。纳入标准为：患有 BM 的患者；使用 MRI 图像的深度学习来检测 BM；在检测性能方面有足够的数据；原创研究文章。排除标准为：评论、信件、指南、社论或勘误表；少于 20 名患者的病例报告或系列；队列重叠的研究；检测性能方面的数据不足；使用机器学习来检测 BM；非英语文章。使用诊断准确性研究-2 的质量评估和医学成像人工智能检查表来评估质量。最后，确定了 24 项符合条件的研究进行定量分析。患者和病变可检测性的汇总比例为 89%。文章应更严格地遵守清单。深度学习算法可有效检测 BM。由于报告差异，无法估计假阳性率的汇总分析。
用于术前鉴别胶质母细胞瘤、脑转移瘤和原发性中枢神经系统淋巴瘤的深度学习模型：一项外部验证研究
摘要：(1) 背景：神经影像学鉴别胶质母细胞瘤、原发性中枢神经系统淋巴瘤 (PCNSL) 和单发性脑转移瘤 (BM) 是神经外科实践中的诊断和治疗挑战，它增加了治疗负担，并使患者面临与进一步侵入性手术和治疗延迟相关的额外风险。此外，现代诊断研究尚未完全解决非典型病例和重叠特征。本研究旨在验证先前设计并经过内部验证的 ResNet101 深度学习模型，以区分胶质母细胞瘤、PCNSL 和 BM。(2) 方法：我们招募了 126 名患者（胶质母细胞瘤：n = 64；PCNSL：n = 27；BM：n = 35），并在术前进行 T1Gd-MRI 扫描并进行组织病理学确认。对每个病变进行分割，并将所有感兴趣区域导出到 DICOM 数据集中。在先前对 121 名患者的研究中实施的预训练 ResNet101 深度神经网络模型在当前队列中进行了外部验证，以区分 T1Gd-MRI 扫描中的胶质母细胞瘤、PCNSL 和 BM。（3）结果：该模型在区分 PCNSL（AUC：0.73；95%CI：0.62-0.85）、胶质母细胞瘤（AUC：0.78；95%CI：0.71-0.87）方面实现了最佳分类性能，在区分 BM 方面具有中等至低水平的能力（AUC：0.63；95%CI：0.52-0.76）。通过回顾性审查选定患者群体的诊断报告，评估了专家神经放射科医生在常规和高级 MRI 成像方面的表现，发现 BM 的准确率 (89.69%) 更高，而 PCNSL (82.90%) 和胶质母细胞瘤 (84.09%) 的准确率并不低。 (4) 结论：我们调查了之前发布的深度学习模型是否可以推广到在不同机构招募的外部人群——这一验证证实了模型的一致性，并为未来在脑肿瘤分类中的临床应用奠定了基础。这种基于人工智能的模型可能是一种宝贵的教育资源，如果在前瞻性数据上大量复制，将帮助医生区分胶质母细胞瘤、PCNSL 和孤立性 BM，尤其是在资源有限的环境中。
文章是胶质母细胞瘤，脑转移和原发性中枢神经系统淋巴瘤的术前分化的深度学习模型
摘要：（1）背景：胶质母细胞瘤，原发性中枢神经系统淋巴瘤（PCNSL）和孤立的脑转移（BM）的神经影像图是神经外科实践中的诊断性和性能挑战，是一种诊断和挑战，从而扩大了护理人员的负担，并扩大患者对额外的风险相关的侵害治疗和进一步的治疗方法和进一步的治疗方法。此外，现代诊断研究并未完全解决非典型情况和重叠功能。这项研究的目的是验证先前设计且内部验证的RESNET101深度学习模型，以区分胶质母细胞瘤，PCNSL和BMS。（2）方法：我们在术前T1GD-MRI扫描和组织病理学确认和术前招募了126例患者（N = 64; PCNSL：N = 27; BM：N = 35）。每个病变都进行了细分，并且所有感兴趣的区域均在DICOM数据集中导出。在先前的121例患者上实施的预先训练的RESNET101深神经网络模型在当前队列上进行了外部验证，以在T1GD-MRI扫描上区分胶质母细胞瘤，PCNSL和BMS。（3）结果：在区分PCNSL（AUC：0.73; 95％CI：0.62–0.85），胶质母细胞瘤（AUC：0.78; 95％CI：95％CI：0.71-0.87）和中度至低bms（AUC）（AUC：0.63）的能力（AUC：0.63）（AUC）（AUC：0.63）（AUC）（AUC：0.63）（AUC：0.63）（auc：95％）（auc：95％）（auc：95％），在区分PCNSL（AUC：0.73; 95％CI：0.62-0.85）方面具有最佳的块状性能性能，（3）结果。 通过回顾性评估所选患者队列的诊断报告评估，专家神经放射学家在常规加高级MR Imaging上的表现较高，BMS的准确性（89.69％）（89.69％）（89.69％）而不是PCNSL（82.90％）和Glioblas-Tomas（84.09％）（84.09％）。（3）结果。通过回顾性评估所选患者队列的诊断报告评估，专家神经放射学家在常规加高级MR Imaging上的表现较高，BMS的准确性（89.69％）（89.69％）（89.69％）而不是PCNSL（82.90％）和Glioblas-Tomas（84.09％）（84.09％）。（4）结论：我们研究了先前发表的深度学习模型是否可以推广到不同机构招募的外部人群 - 这种有效性证实了该模型的一致性，并为未来的脑肿瘤分类中的临床应用奠定了基础。这个基于人工智能的模型可能代表了有价值的教育资源，如果在很大程度上复制了预期数据，请帮助医生区分胶质母细胞瘤，PCNSL和孤立BMS，尤其是在资源有限的环境中。