XiaoMi-AI文件搜索系统
World File Search SystemHGG
高级神经胶质瘤（HGG） - 简短信息
•试用HGG 2013：自2018年7月以来，新近被诊断出患有高级神经胶质瘤（级别IV神经胶质瘤，偏花胶质细胞瘤III级）的儿童和青少年，可以将其招募到这项试验中。HIT-HGG 2013代表了HIT-HGG 2007试验的随后研究，该试验已在2016年底之前封闭，目前正在分析。整个德国，瑞士，奥地利和比利时的童年癌症中心都参加了这项试验。德国试验中心位于大学医院Göttingen大学医院儿科肿瘤学/血液学系（首席研究员：医学博士。Christof Kramm）。请注意：从2023年底开始，没有进一步的患者接受审判！
使用基于 WFL 的 3D U-Net 对 HGG 和 LGG MRI 图像进行脑肿瘤分割
脑肿瘤的语义分割是医疗治疗计划中的重要阶段。由于肿瘤的特性，图像分割的主要困难之一是类别之间的严重不平衡。此外，类别不平衡的数据集是多模态3D脑MRI中常见的问题。尽管存在这些问题，但大多数脑肿瘤分割研究仍然偏向于过度代表的肿瘤类别（多数类别），而忽略了小规模的肿瘤类别（少数类别）。在本文中，我们提出了一种基于3D U-Net的改进损失函数加权焦点损失（WFL），以增强脑肿瘤分割的预测。使用我们提出的损失函数（WFL）通过给予少数类较高的权重和给予多数类较低的权重来解决类别之间的不平衡和权重之间的不平衡。在将这些权重分配给不同的像素值后，我们的工作能够解决像素退化问题，这是模型训练期间损失函数的局限性之一。根据我们的实验，在脑肿瘤分割挑战赛 (BraTS) 2019 数据集中，针对高级别胶质瘤 (HGG) 和低级别胶质瘤 (LGG) 的 3D U-Net 模型上，提出的函数 (WFL) 对肿瘤核心 (TC)、整个肿瘤 (WT) 和增强肿瘤 (ET) 显示出良好的结果，其中 HGG 的平均骰子分数为：0.830、0.913、0.815，LGG 的骰子分数为 TC：0.731、WT：0.775 和 ET：0.685。此外，我们在 BraTS 2020 上部署了训练，获得了平均 Dice 分数 HGG：TC：0.843、WT：0.892、ET：0.871，以及 Dice 分数 LGG：TC、WT 和 ET 分别为 0.7501、0.7985、0.6103。
使用 Amazon Sagemaker 的预训练卷积神经网络在多模态 MRI 中分割 HGG 和 LGG 脑肿瘤
摘要：多模态 MRI 的自动脑肿瘤分割在辅助胶质母细胞瘤和下脑胶质瘤的诊断、治疗和手术方面发挥着重要作用。在本文中，我们提出应用 AWS SageMaker 框架中实现的几种深度学习技术。不同的 CNN 架构经过调整和微调，以达到脑肿瘤分割的目的。对实验进行评估和分析，以获得所创建模型的最佳参数。所选架构在公开的 BraTS 2017-2020 数据集上进行训练。分割区分了背景、健康组织、整个肿瘤、水肿、增强肿瘤和坏死。此外，还提出了一种随机搜索参数优化的方法，以进一步改进获得的架构。最后，我们还计算了由所述六个模型的加权平均值创建的集成模型的检测结果。集成的目标是改善肿瘤组织边界的分割。我们的结果与 BraTS 2020 竞赛和排行榜进行了比较，根据骰子分数的排名，我们的结果位列前 25%。
小儿高级神经胶质瘤的基于汽车的治疗靶标
摘要：由于缺乏有效的治疗，高级神经胶质瘤（HGG）患者的预后很沮丧。为了改变HGG患者的命运并减少了当前与治疗相关的副作用，过去几年的治疗重点已转变为免疫疗法，例如基于嵌合抗原受体（CAR）的治疗。基于汽车的治疗的最新发展显示成人神经胶质瘤患者的有希望的结果，而针对HGG的小儿患者进行了首次临床试验。但是，小儿HGG（PHGG）及其成年对应物之间存在显着差异，包括肿瘤免疫微环境（TIME）的组成，这极大地影响了汽车治疗的反应性。因此，我们在这里提供了PHGG实体中基于汽车的治疗靶标的系统概述，重点是临床试验和临床前研究，并将其与成人神经胶质瘤进行了比较。我们得出的结论是，目标表达，时间和汽车治疗相关的毒性在PHGG实体之间有所不同，并且与成人HGG有所不同，这表明需要在PHGG中采用更量身定制的免疫治疗型汽车方法。总的来说，我们为未来开发基于汽车的治疗策略的儿科HGG患者提供了目标路线图，这些患者迫切需要新的疗法。
多维综合分析显示 BCL2L1 甲基化是儿童恶性肿瘤中 MCL1 依赖性的预测因子
简介高级别胶质瘤 (HGG) 是一种中枢神经系统恶性肿瘤，在成人和儿童中均有发生（1、2）。WHO 将 HGG 归类为 3 级和 4 级肿瘤，其特征是细胞过多、细胞核异形性、微血管增生和中心坏死（3-5）。HGG 在成人中更为常见，超过一半 (60%) 的胶质瘤被诊断为 HGG，而儿童中只有大约 10%-15% 的中枢神经系统肿瘤被诊断为 HGG，而低级别胶质瘤更为常见（6-8）。治疗包括手术、放疗和化疗相结合的多模式方案。然而，这些治疗无效，不到 20% 的患者在诊断后 5 年内存活（9-11）。因此，迫切需要寻找这种毁灭性疾病的创新疗法并改善生存结果。
利用抗寄生虫药物针对肿瘤缺氧和线粒体代谢来改善高级别胶质瘤的放射反应
高级别胶质瘤 (HGG)，包括胶质母细胞瘤和弥漫性内在性脑桥胶质瘤，是最致命的脑肿瘤之一。这些肿瘤的预后很差，平均生存期不到 15 个月。几十年来，放射疗法一直是治疗 HGG 的主要手段；然而，明显的放射抗性是放射治疗成功的主要障碍。在此，肿瘤缺氧被认为是 HGG 放射抗性的重要因素，因为氧合对于放射治疗的效果至关重要。缺氧通过上调缺氧诱导因子 (HIF) 在所有实体肿瘤（包括 HGG）的侵袭性和抗性表型中起着根本性的作用，这些因子会刺激在缺氧应激下负责癌症存活的重要酶。由于目前针对肿瘤缺氧的尝试主要集中在通过降低耗氧率 (OCR) 来减少肿瘤细胞的耗氧量，因此实现这一目标的一个有吸引力的策略是抑制线粒体的氧化磷酸化，因为它可以降低 OCR 并增加氧合，从而可以改善 HGG 的辐射反应。这种方法还有助于消灭放射抗性的神经胶质瘤干细胞 (GSC)，因为它们主要依靠线粒体代谢来生存。在这里，我们强调了重新利用抗寄生虫药物来消除肿瘤缺氧并诱导 GSC 凋亡的潜力。目前的文献提供了令人信服的证据表明，这些药物（阿托伐醌、伊维菌素、氯胍、甲氟喹和奎纳克林）可以通过抑制线粒体代谢和肿瘤缺氧以及诱导 DNA 损伤等机制有效对抗癌症。因此，将这些药物与放射疗法相结合可能会增强 HGG 的放射敏感性。据报道，这些药物对胶质母细胞瘤的疗效及其穿透血脑屏障的能力为这些药物用于 HGG 治疗的良好结果和临床转化提供了进一步的支持。
基于改进UNet网络的磁共振成像脑肿瘤图像分割方法
5倍交叉验证评估结果（1,2）表明，由于电离辐射和基因突变的影响，胶质瘤占中枢神经系统原发性肿瘤的27%（3-6）。胶质瘤的发病率随年龄增长而增加（1,2,6-8），不同级别的胶质瘤发病率不同。根据恶性程度，胶质瘤病理分为I至IV级，其中II级及以下为低级别胶质瘤（LGG），III级及以上为高级别胶质瘤（HGG）（9）。例如，HGG患者的中位生存期（MST）通常小于2年，而患有HGG的HGG患者的MST仅为4至9个月。此外，分子研究已发现了可增强诊断和提供生物标志物的特征（10）。异柠檬酸脱氢酶 1 和 2 (IDH1/2) 突变以及 X 编码蛋白 (ATRX) 和 TP53 突变的存在提示弥漫性星形细胞瘤，而 IDH1/2 突变与 1p19q 缺失相结合则提示少突胶质细胞瘤 (10)。受体酪氨酸激酶基因的局部扩增、端粒酶逆转录酶 (TERT) 启动子突变以及 10 号和 13 号染色体的缺失和 7 号染色体的三体性是胶质母细胞瘤的显著特征，可用于诊断目的 (10)。此外，LGG 中 B-Raf 原癌基因 (BRAF) 基因融合和突变的存在以及 HGG 中组蛋白 H3 的突变的存在也可以作为
高级别胶质瘤的治疗进展
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
鉴定在神经纤维瘤病的球体药物组合筛选I类型I型相关的高级神经胶质瘤
神经纤维瘤病1型（NF1）患者会出现一系列良性和恶性肿瘤，其中恶性外周神经鞘肿瘤（MPNST）和高级神经胶质瘤（HGG）的预后令人沮丧。NF1患者中约有15–20％发生脑肿瘤，其中三分之一出现在视觉途径之外。这些非光途径胶质瘤更有可能发展为恶性肿瘤，尤其是在成年人中。尽管频率低，但高级神经胶质瘤对NF1患者的发病率有不良影响。尚未在NF1-Associ-ated HGG上进行体外药物组合筛查，从而阻碍了我们开发知情临床试验的能力。在这里，我们介绍了第一个体外药物组合筛选（单独使用21种化合物或与MEK或PI3K抑制剂结合使用），在唯一的人NF1患者衍生的HGG细胞系上，以及源自NF1-P53基因工程模型的三个小鼠神经胶质瘤细胞系上，散发出HGG。这些小鼠神经胶质瘤细胞系从未暴露于血清，随着球体的生长和与少突胶质细胞前体细胞（OPC）谱系相一致的表达标记。重要的是，即使HGG的原始单元仍然难以捉摸，它们也被认为是由OPC谱系引起的。我们在3D球体生长测定中评估了三种鼠神经胶质瘤细胞系的药物敏感性，这更准确地反映了体内药物敏感性。令人兴奋的是，我们确定了针对HDACS，BRD4，CHEK1，BMI-1，CDK1/2/5/9的六种化合物，以及在我们NF1相关的HGG中有效诱导细胞死亡的蛋白酶体。此外，这些抑制剂中的一些与MEK或PI3K抑制剂协同起作用。这项研究构成了对有希望的目标进行进一步临时评估的基础，最终希望将其转化为诊所。
分形维度：分析其作为使用机器学习
结果：来自肿瘤和非肿瘤区域的FD措施能够区分LGG和HGG患者。在15种不同的FD度量中，增强肿瘤区域的一般结构FD值高精度（93％），敏感性（97％），特定城市（98％）和接收器工作特征曲线（AUC）分数（98％）下的面积（98％）。无肿瘤的GM骨骼FD值也得出了良好的准确性（83.3％），灵敏度（100％），特异性（60％）和AUC分数（80％），以分类肿瘤等级。在LGG和HGG患者之间，还发现这些措施显着（P <0.05）。另一方面，在25种纹理特征（增强的肿瘤区域特征）中，即对比度，相关性和熵，揭示了LGG和HGG之间的显着差异。在机器学习中，增强的肿瘤区域纹理特征具有很高的精度，灵敏度，特定的牙齿和AUC分数。