XiaoMi-AI文件搜索系统
World File Search SystemBenzaquen
引文 Ge´ rard AO、Merino D、Benzaquen J、Destere A、Borchiellini D、Gosset C、Rocher F、Andreani M、Marquette CH、Montaudie´ H、Drici MD 和 S
实体器官移植接受者死于癌症的风险较高。事实上，免疫抑制治疗对于避免移植排斥至关重要，它会增加实体器官移植接受者死于癌症的风险 ( 1 )。然而，关于他们的癌症治疗的循证数据很少，因为移植接受者通常被排除在临床试验之外，而且登记册有限 ( 2 , 3 )。近年来，免疫检查点抑制剂 (ICI) 的开发，包括细胞毒性 T 淋巴细胞相关蛋白 4 (CTLA4) 抑制剂和程序性细胞死亡蛋白 1 或其配体 (PD1、PDL1) 的抑制剂，大大提高了某些晚期癌症患者的生存率 ( 4 )。这些单克隆抗体可促进针对恶性肿瘤的免疫反应，但有时会导致脱靶免疫不良药物反应 (ADR) ( 5 )。ICI 会破坏免疫系统，并可能引发同种异体移植排斥 (AR) ( 6 , 7 )。基于其相似的作用机制，不同的 ICI 类别被认为会对 AR 产生相同的影响，然而这从未被研究过（8）。此外，尽管美国食品药品管理局（FDA）（9，10）和欧洲药品管理局（EMA）（11，12）的药品标签中都提到了与伊匹单抗和帕博利珠单抗相关的 AR，但只有 FDA 的 cemiplimab 药品标签提到了 AR（13，14）。同样，关于 PDL1 抑制剂，AR 风险在 FDA 的药品标签中提及不一致，并且没有出现在 EMA 的药品标签中。因此，我们旨在通过对世界卫生组织（WHO）的药物警戒数据库进行不成比例分析，阐明 AR 与不同 ICI 类别的关联。
最大程度地减少数量不足的影响（QN）在接下来...
3。Heeke S，Benzaquen J，Long-Mira E等。 （2019）“使用离子oncomine™TML和FoundationOne™测定法与常规临床FFPE组织样品比较肿瘤突变负担，以预测肺癌和黑色素瘤患者的持久临床益处 - 一种多元分析，将PD-L1和CD8⁺评估整合。” 2019年3月29日至4月3日，佐治亚州亚特兰大，2019年3月29日至4月3日，美国癌症研究年会。 https://cancerres.aacrjournals.org/content/79/13_supplement/4889Heeke S，Benzaquen J，Long-Mira E等。（2019）“使用离子oncomine™TML和FoundationOne™测定法与常规临床FFPE组织样品比较肿瘤突变负担，以预测肺癌和黑色素瘤患者的持久临床益处 - 一种多元分析，将PD-L1和CD8⁺评估整合。” 2019年3月29日至4月3日，佐治亚州亚特兰大，2019年3月29日至4月3日，美国癌症研究年会。 https://cancerres.aacrjournals.org/content/79/13_supplement/4889
COVID‐19 与人工智能
5. Han SS, Park GH, Lim W 等人。深度神经网络在甲癣诊断方面表现出与皮肤科医生相当甚至更好的表现：通过基于区域的卷积深度神经网络自动构建甲癣数据集。PLoS ONE。2018；13：e0191493。6. Seite S、Khammari A、Benzaquen M、Moyal D、Dreno B。一种用于从智能手机照片中对痤疮进行分级的人工智能算法的开发及其准确性。Exp Dermatol。2019；28：1252-1257。doi：10.1111/exd.14022 7. Min S、Kong HJ、Yoon C、Kim HC、Suh DH。使用数字图像处理开发和评估自动痤疮病变检测程序。皮肤研究技术。 2013；19：e423-e432。doi:10.1111/j.1600-0846.2012.00660.x 8. Gustafson E、Pacheco J、Wehbe F、Silverberg J、Thompson W。一种从电子健康记录中识别成人特应性皮炎的机器学习算法。IEEE Int Conf Healthc Inform。2017；83-90。doi:10.1109/ICHI.2017.31 9. De Guzman LCD、Maglaque RPC、Torres VMB、Zapido SPA、Cordel MO。用于湿疹皮肤病变检测的多模型、多层次人工神经网络的设计和评估。2015 年第三届人工智能、建模和仿真国际会议（AIMS）。2015：42-7。 10. Guimarães P、Batista A、Zieger M、Kaatz M、Koenig K。多光子断层扫描中的人工智能：特应性皮炎诊断。Sci Rep。2020；10：7968。11. Wu H、Yin H、Chen H 等人。一种基于深度学习的图像自动诊断炎症性皮肤病的方法。Ann Transl Med。2020；8(9)：581。doi:10.21037/atm.2020.04.39 12. Meskó B、Hetényi G、Győrffy Z。人工智能能否解决医疗保健领域的人力资源危机？BMC Health Serv Res。2018；18：545。 doi:10.1186/s12913-018-3359-4 13. Bullock, J.、Luccioni, A.、Pham, KH、Lam, CSN、Luengo-Oroz, M. (2020)。绘制人工智能应对 COVID-19 应用前景图。ArXiv。2020 年。https://arxiv.org/abs/2003.11336v1 14. Hollister M。人工智能可以帮助应对 COVID-19 危机 - 但正确的人力投入是关键。世界经济论坛，3 月 30 日。Taulli, T. (2020)。正在抗击 COVID-19 大流行的 AI（人工智能）公司。福布斯，2020 年 3 月 28 日。 15. Genovese G、Moltrasio C、Berti E、Marzano AV。与 COVID-19 相关的皮肤表现：当前知识和未来展望。皮肤病学。2021；237:1-12。16. Freeman EE、McMahon DE、Fitzgerald ME 等人。美国皮肤病学会 COVID-19 登记处：COVID-19 时代的众包皮肤病学。美国皮肤病学杂志。2020；83(2):509-510。17. van Damme C、Berlingin E、Saussez S、Accaputo O。急性荨麻疹和发热是 COVID-19 感染的首发表现。欧洲皮肤病学杂志。2020；34(7):e300-e301。18. Galván Casas C、Català A、Carretero Hernández G 等人。 COVID-19 皮肤表现的分类：西班牙一项涉及 375 例病例的快速前瞻性全国性共识研究。Br J Dermatol。2020；183(1):71-77。19. Freeman EE、McMahon DE、Lipoff JB 等人。与 COVID-19 相关的冻疮样皮肤病变：来自 8 个国家的 318 名患者的病例系列。J Am Acad Dermatol。2020；83(2):486-492。20. Young S、Fernandez AP。COVID-19 的皮肤表现。Cleve Clin J Med。2020。doi:10.3949/ccjm.87a.ccc031。提前在线发表。21. Mathur J、Chouhan V、Pangti R、Kumar S、Gupta S。用于识别 COVID-19 皮肤表现的卷积神经网络架构。皮肤病学治疗。2021；34(2):e14902。doi:10.1111/dth.14902 22. Christopher JJ、Nehemiah HK、Arputharaj K、Moses GL。用于诊断荨麻疹的计算机辅助医疗决策系统。MDM 政策实践。2016；1(1):2381468316677752。doi:10.1177/2381468316677752