XiaoMi-AI文件搜索系统
World File Search SystemGlioma
最近更新用于成像脑神经胶质瘤的PET/CT放射性示例
抽象正电子发射断层扫描/计算机断层扫描（PET/CT）极大地改变了非侵入性神经胶质瘤评估的景观，为通过磁共振成像（MRI）获得的辅助见解提供了互补的见解。PET/CT扫描可以对神经胶质瘤生物学进行多方面的分析，支持从分级和差异诊断到绘制肿瘤的全部范围并计划后续治疗和评估的临床应用。具有一系列专门的放射性植物，研究人员和临床医生现在可以探测神经胶质瘤的各种生物学特征，例如葡萄糖利用，细胞增殖，氧缺乏症，氨基酸运输和反应性星形胶质细胞增多。本评论旨在提供有关多功能PET/CT放射性示例在神经胶质瘤研究和临床实践中的应用的最新更新。
探索Brats Dataset上神经胶质瘤等级分类的放射学标准
∗ xlim laboratory, 11 bd Marie and Pierre Curie, 86360 Chasseneuil-du-Poitou, France email address: Paul.dequidt@univ-poitiers.fr (Paul Dequidt) 1 Xlim Laboratory, UMR CNRS 7252, University of Poitiers, Poitiers, France 2 Dactim-Mise, LMA, UMR CNRS 7348法国POITIERS，POITIERS，POITIERS 3西门子医疗保健SAS，圣丹尼斯，法国4公共实验室CNRS-SIEMENS I3M 5M 5 5号5M 5号放射科，圣艾蒂安大学，法国圣维蒂安，法国6号，6 Chru de Tours，Chru De Tours，UMR 1253 Ibrain，Inserm tours，Inserm，Inserm，Inserm torem，inserm tormer，Iserm tormer，Inserm tore omer，inserm tours，inserm torem，inserm torem，con Picardie，Picardie Jules Verne大学（UPJV）
下级神经胶质瘤切除后设定转移恶化的网络级预测
目的本研究的目的是预测低级神经胶质瘤切除后的固定转移恶化。方法作者回顾性分析了102例接受低级神经胶质瘤手术的两分之一系列。术前和手术后3-4个月评估了Trail制作测试B和A（TMT B-A）的完成时间之间的差异。与手术腔形态相关的信息的高维度以四种不同的方式减少到一小组预测因子：1）手术腔之间的重叠与组成YEO的17 network大脑的122个皮层包裹之间的重叠； 2）拖拉克斯：主要白质束的空腔断开； 3）手术腔与YEO网络之间的重叠；和4）脱节：Yeo网络的空腔结构断开连接的签名。实施了一种随机的森林算法，以预测TMT B-A Z分数的术后变化。结果最后两种基于网络的方法在剩下的受试者中产生了明显的精度（接收器操作特征曲线下的区域[AUC]大约等于0.8，p大约等于0.001），并且构成了两个替代方案。在单一树层次模型中，YEO皮质皮质网络12（CC 12）的损害程度是一个关键节点：损害CC 12的患者高于7.5％（皮质重叠）或7.2％（DISCONETS）（DISCONETS）具有更高的降低风险，在该网络上首次损害了该网络和良好的损害之间的损害。结论作者的结果对网络级方法是解决病变 - 症状映射问题的有力方法，使机器学习能力具有个人结果预测的强大方法。
卷积神经网络具有VGG-16胶质瘤分类模型
工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。 与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。 检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。 到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。 因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。 VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。 我们还尝试使用增强技术来预测数据限制。 使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。 肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。 用于培训和测试目的的数据将数据划分为68％和32％。 2022。工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。 与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。 检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。 到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。 因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。 VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。 我们还尝试使用增强技术来预测数据限制。 使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。 肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。 用于培训和测试目的的数据将数据划分为68％和32％。 2022。工程学院，穆罕默迪亚大学马朗，马朗，印度尼西亚B工程学院，加德贾·马达大学，Yogyakarta，印度尼西亚Yogyakarta，计算机和数学科学学院共振成像（MRI）是一种身体感测技术，可以产生器官和组织状况的详细图像。与脑肿瘤特别相关，可以使用图像检测技术分析所得的图像，以便可以自动对肿瘤阶段进行分类。检测脑肿瘤需要高度的准确性，因为它与医疗行动和患者安全的有效性有关。到目前为止，卷积神经网络（CNN）或其与GA的组合取得了良好的结果。因此，在这项研究中，我们使用了类似的方法，但具有VGG-16体系结构的变体。VGG-16变体通过修改辍学层（使用SoftMax激活）来减少过度拟合并避免使用大量超参数来增加16层。我们还尝试使用增强技术来预测数据限制。使用数据进行癌症成像存档（TCIA）的实验 - 分子脑肿瘤数据（Rembrandt）的存储库包含130例具有不同疾病，成绩，种族和年龄为520张图像的患者的MRI图像。肿瘤类型为Gliom A，图像分别分为II，III和IV级，分别为226、101和193图像。用于培训和测试目的的数据将数据划分为68％和32％。2022。我们发现VGG-16对脑肿瘤图像分类更有效，精度高达100％。关键字 - 分类； MRI;脑肿瘤；神经胶质瘤，CNN； VGG-16。手稿于2022年1月11日收到； 3月23日修订2022; 4月19日接受出版日期，2022年9月30日。国际信息学可视化杂志均在创意共享归因 - 归属共享下的许可。
Hybrid-AI方法用于高级神经胶质瘤精确治疗的决策支持
为新的和更大的问题开发智能决策支持系统驱动了人工智能（AI）的几个核心领域的发展，例如机器学习（ML）和约束编程（CP）。尽管ML和CP都成功地用于支持决策过程，但它们的组合尚未得到充分探索，尤其是在癌症研究领域。高级神经胶质瘤（HGGS）是大脑中最常见的恶性肿瘤。他们会影响各个年龄段的人，并且普遍致命。尽管进行了数十年的研究，但治疗方案缺乏靶向疗法，而是仅限于对肿瘤的手术切除（如果可能的话），然后使用辐射和DNA损伤诱导化学疗法进行治疗（Ostrom等，2018）。对这些有限和严厉的治疗的抵抗力在所有患者中都会发展出来，强调了对新的精密药房靶向方法的迫切需求。缺乏可用的治疗并不是由于缺乏努力。在过去的15年中，已经进行了超过400次临床试验，以测试新的治疗方法（Bagley等，2022），但没有显示明显的临床益处。在这一领域的一个重大问题是，对这些试验失败的原因有很糟糕的理解，因为为每个患者收集纵向样本需要开颅手术，因此在诊断后患者的短期内，高度侵入性且很少有动机的努力。因此，与其他癌症类型相比，患者衍生的细胞系和异种移植模型的可用性显着有限。总的来说，这最终意味着，当选择最合适的治疗高级神经胶质瘤的疗法时，我们正在盲目飞行。这要求将大规模基因组和功能数据与人工智能方法的紧急整合在一起，以提供决策支持工具，以提高HGG治疗的有效性，使其成为推动智能决策支持方法限制的理想应用。
与自我监督的转移学习
Temporal lobe 43 (20.1%) 12 (10.7%) Frontal Lobe 22 (10.3%) 4 (3.6%) Suprasellar 6 (2.8%) 32 (28.6%) Optic Pathway 8 (3.7%) 17 (14.9%) Brainstem 7 (3.3%) 9 (7.9%) Thalamus 15 (7.0%) 2 (1.8%) Ventricles 14 (6.5%) 2 （11.4％）其他59（27.6％）1（0.9％）CBTN：儿童脑肿瘤网络。对
神经胶质瘤网络中的自主节奏活动驱动脑肿瘤生长
弥漫性神经胶质瘤，尤其是胶质母细胞瘤，是无法治愈的脑肿瘤1。它们的特征是通过Ca 2+瞬变2-6进行通信的相互联系的脑肿瘤细胞网络。但是，网络的体系结构和通信策略以及这些影响肿瘤生物学如何仍然未知。在这里，我们描述了胶质母细胞瘤细胞网络如何包括高度活性胶质母细胞瘤细胞的少量塑料种群，这些细胞显示有节奏的Ca 2+振荡并特别连接到其他振荡。它们的自主周期性CA 2+瞬态先于其他网络连接细胞的Ca 2+瞬变，从而激活了频率依赖性的MAPK和NF-κB途径。数学网络分析表明，胶质母细胞瘤网络拓扑遵循无尺度和小世界的特性，周期性肿瘤细胞经常位于网络中心中。这种网络设计使阻力能够抵抗随机损坏，但容易丢失其关键枢纽。通过定期肿瘤细胞的选择性物理消融或通过遗传或药理干扰钾通道KCA3.1（也称为IK1，SK4或KCNN4）来靶向自主节奏活性。这导致整个网络中肿瘤细胞活力的显着降低，降低了小鼠的肿瘤生长并扩展了动物生存。胶质母细胞瘤网络对周期性Ca 2+活性的依赖性产生了一种脆弱性7，该脆弱性7可以用于开发新型疗法，例如使用KCA3.1抑制药物。
甲基化状态启动子MGMT确定基于神经胶质MRI的深度学习方法
MGMT启动子甲基化是一个表观遗传事件。 表观遗传事件在功能上是相关的，但不涉及核苷酸序列的变化。 因此，虽然MGMT启动子甲基是一个重要的预后标记，但它并不能定义胶质瘤的分离子集。 MGMT是一种DNA修复酶，可保护鼻孔和gliomacellsalsymacellsylatingchemotherapeen剂。 MGMT启动子的甲基化是表观遗传沉默的一个例子，导致MGMT酶功能损失及其对神经胶质瘤细胞的保护作用。 MGMT启动子甲基化在用替莫唑胺（TMZ）治疗的患者中产生的表面益处。。MGMT启动子甲基化是一个表观遗传事件。表观遗传事件在功能上是相关的，但不涉及核苷酸序列的变化。因此，虽然MGMT启动子甲基是一个重要的预后标记，但它并不能定义胶质瘤的分离子集。MGMT是一种DNA修复酶，可保护鼻孔和gliomacellsalsymacellsylatingchemotherapeen剂。MGMT启动子的甲基化是表观遗传沉默的一个例子，导致MGMT酶功能损失及其对神经胶质瘤细胞的保护作用。MGMT启动子甲基化在用替莫唑胺（TMZ）治疗的患者中产生的表面益处。1随后的Stupp等人2的工作表明，在接受放射线和替莫唑胺的患者中，MGMT促进甲基化改善了中值的中位数生存期（相比之下，甲基化的中位数（21.7 vs 12.7个月）。2
onc201（dordaviprone）在复发性H3 K27M - 突变弥漫性中线神经胶质瘤
Isabel Arrillaga-Romany，医学博士，博士1;莎朗·加德纳（Sharon L. Gardner），医学博士2； Yazmin Odia，医学博士，MS，FAAN 3；多莉·阿奎莱拉（Dolly Aguilera），医学博士4；约书亚·E·艾伦（Joshua E. Allen），博士5； Tracy Batchelor，医学博士，MPH 6； Nicholas Butowski，MD 7；马里兰州克拉克·陈（Clark Chen），博士8； Timothy Cloughesy，医学博士9； Andrew Cluster，MD 10；约翰·德·格鲁特（John de Groot），医学博士7； Karan S. Dixit，MD 11; Jerome J. Graber，医学博士，MPH 12； Aya M. Haggiagi，医学博士13;丽贝卡·哈里森（Rebecca A. Harrison），医学博士14； Albert Kheradpour，医学博士15； Lindsay Kilburn，医学博士16； Sylvia C. Kurz，医学博士，博士17;广播Lu，MBBS 18； Tobey J. MacDonald，医学博士4； Minesh Mehta，医学博士3; Allen S. Melemed，MD 5； Phioanh Leia Nghiemphu，医学博士9; Samuel C. Ramage，博士5； Nicole Shonka，医学博士19； Ashley Sumrall，医学博士，FACP 20； Rohinton Tarapore，博士5； Lynne Taylor，医学博士，Faan，Fana 12； Yoshie Umemura，医学博士21；以及医学博士Patrick Y. Wen，PhD 6