XiaoMi-AI文件搜索系统
World File Search SystemHGG
高强度神经传导阻滞的临床前小鼠模型的比较研究
基于纳米粒子的新疗法在高级别胶质瘤 (HGG) 中的临床转化仍然非常少。部分原因是缺乏合适的临床前小鼠模型，无法复制复发性 HGG (rHGG) 的复杂特征，即血脑屏障 (BBB) 的异质结构和功能特征。本研究的目的是将 rHGG 的肿瘤 BBB 特征与两种不同的 HGG 小鼠模型（普遍使用的 U87 细胞系异种移植模型和患者衍生的细胞系 WK1 异种移植模型）进行比较，以评估它们是否适合纳米医学研究。方法：使用结构 MRI 评估完全发育肿瘤的小鼠模型中 BBB 开放的程度，并使用动态对比增强 MRI 获取对比增强肿瘤中 BBB 通透性的值。使用 H&E 和免疫荧光染色来验证体内成像研究的结果。结果：U87 模型中对比增强肿瘤中 BBB 破坏程度和通透性明显高于 rHGG。WK1 模型中的这些值与 rHGG 相似。U87 模型不具有浸润性，具有完全异常和渗漏的血管系统，并且不是神经胶质来源。WK1 模型浸润到非肿瘤性脑实质中，它既有完整的 BBB 区域，也有渗漏的 BBB 区域和神经胶质来源残留区域。结论：与 U87 小鼠模型相比，WK1 小鼠模型更准确地再现了 rHGG 患者的 BBB 破坏程度、BBB 通透性水平和组织病理学特征，因此是用于对新兴的基于纳米颗粒的 HGG 疗法进行临床前评估的更具临床相关性的模型。
及术后胶质瘤分割
材料和方法数据描述本研究已获得我们机构研究伦理委员会的批准。手动分割的脑胶质瘤的真实 MRI 成像数据包括来自脑肿瘤分割 (BraTS) 2019 开放存取库的 335 例（259 例高级别胶质瘤 [HGG] 和 76 例低级别胶质瘤 (LGG)）术前病例，以及来自我们当地医疗中心的另外 102 例病例，其中包括 62 例术后病例（52 例 HGG、10 例 LGG）和 40 例术前病例（30 例 HGG、10 例 LGG）。术后病例包括通常在初次切除后 3 个月及以后开始的随访 MRI，这些随访分别作为术后临床基线和用于跟踪疾病进展/复发。不包括术后立即（手术后 48 小时内）进行的任何扫描。自 2012 年成立以来，与医学图像计算和计算机辅助干预会议联合组织的 BraTS 已经评估用于脑 MRI 上胶质瘤体积分割的机器学习模型。BraTS 多机构国际数据集包括来自 19 个独立机构的数据，被广泛用作基准，包含跨多个供应商和机器手动分割的术前 HGG 和 LGG。7、15、16 来自我们当地机构的数据集与 BraTS 数据不重叠（我们的机构不是最初为 BraTS 数据集做出贡献的站点之一）并且由根据世界卫生组织标准（2007 年或 2016 年标准，取决于病例发生在 2016 年之前还是之后）经组织学证实的 II - IV 级胶质瘤组成。由于这些数据与原始 BraTS 数据是分开的，因此我们在此将这些数据称为本地数据集。每个胶质瘤病例由 4 个不同的序列组成（T1 对比前、T1 对比后 [T1ce]、T2 和 T2-FLAIR）。从本地数据集中随机选取 20 例术前病例和 20 例术后病例进行测试。其余 397 例病例按 80:20 的比例随机分配到训练数据集和验证数据集中。
达拉非尼联合曲美替尼治疗 1 岁及以上儿童和青少年的 BRAF V600E 突变阳性胶质瘤
3.1 神经胶质瘤是儿童和年轻人中最常见的脑癌类型。它们由支持大脑和脊髓神经细胞的神经胶质细胞发展而来。神经胶质瘤根据其生长速度进行分类。大多数神经胶质瘤为 1 级或 2 级，称为低级别神经胶质瘤 (LGG)，不生长或仅生长缓慢。3 级和 4 级神经胶质瘤称为高级别神经胶质瘤 (HGG)，生长迅速。因此，HGG 的结果比 LGG 更差。BRAF 是一种编码蛋白质 B-Raf 的基因，它会影响细胞生长。BRAF V600E 突变阳性的 LGG 患者的寿命比没有突变的神经胶质瘤患者短。患者专家强调了神经胶质瘤诊断对儿童和年轻人、他们的家人和照顾者的创伤性，以及当前治疗的局限性。他们指出，神经胶质瘤及其治疗可能会延迟教育、限制社交，并导致持久的情绪
机器学习的开发和验证
缩写 AUC = ROC 曲线下面积；BBB = 血脑屏障；CE = 对比增强；DMG = 弥漫性中线胶质瘤；DMG-A = DMG，H3 K27 改变；DMG-W = 无 H3 K27 改变的中线 HGG；GLCM = 灰度共生矩阵；GLDM = 灰度依赖矩阵；GLRLM = 灰度游程矩阵；GLSZM = 灰度大小区域矩阵；GNB = 高斯朴素贝叶斯；HGG = 高级别胶质瘤；ICC = 类间相关系数；LASSO = 最小绝对收缩和选择运算符；LR = 逻辑回归；ML = 机器学习；MLP = 多层感知器；PCNSL = 原发性中枢神经系统淋巴瘤；RF = 随机森林；ROC = 受试者工作特性；ROI = 感兴趣区域；SHAP = Shapley 加性解释；SVM = 支持向量机。提交于 2022 年 6 月 30 日。接受于 2022 年 11 月 15 日。引用时请注明 2022 年 12 月 23 日在线发布；DOI：10.3171/2022.11.JNS221544。 * KL 和 HC 对这项工作的贡献相同。
基于简单模型的脑肿瘤分类取得了良好的结果...
无论是在分割还是分类的情况下，脑肿瘤疾病都已成为研究课题。对于分类的情况，分组的脑肿瘤类型通常包括高级别胶质瘤 (HGG) 和低级别胶质瘤 (LGG)。在这项研究中，我们提出了一种使用卷积神经网络 (CNN) 算法对两种类型的肿瘤（即 HGG 和 LGG）进行分类的方法，该算法经过训练并将针对 2018 年和 2019 年脑肿瘤分割 (BRATS) 数据集进行测试，该数据集具有 4 种模式，即流体衰减反转恢复 (FLAIR)、T1、T1ce 和 T2，共计 2048 张图像。之所以选择 CNN 算法，是因为它可以直接接收磁共振图像 (MRI) 形式的输入，并进行特征提取过程以及分类算法。通过形成一个仅具有3个卷积层的简单CNN算法架构，其输入层的形式为尺寸为240×240×3的完整MRI图像，我们获得了94.14％的相对较高的准确率结果，甚至可以说比具有更复杂架构的类似方法更好。
机器学习根据MRI纹理分析预测犬胶质瘤的组织学类型和等级
大脑的恶性肿瘤，尤其是高级神经胶质瘤（HGG），是人类已知的最致命的肿瘤之一，尽管经过数十年的深入研究，但生存率很低[1-4]。手术切除与辅助无线电/化学疗法相结合是HGG的一线治疗[5-7]，切除程度的增加与更好的患者生存率相关[8-11]。因此，在大多数情况下，完全或接近总切除术是至关重要的，并且仍然是神经外科医生的最终目标。然而，腹膜组织的过度侵略性切除倾向于对患者的神经功能造成额外和持久或永久损害，对患者的生活质量和预后产生负面影响[12]。因此，对脑肿瘤患者进行手术仍然是太广泛和太少切除之间的挑战。此外，清楚地鉴定了脑肿瘤组织以及周围的健康或不太浸润的组织，包括其潜在雄辩的纤维区域对于获得最佳的临床结果至关重要。可以注意到，这种方法不仅可以在检测脑肿瘤的检测中有用，还可以在术中分化其他脑组织病理学（例如创伤后受伤的大脑[13]）[13]，在这种情况下，受影响和未受影响的组织的明显分化是本质的。现代脑外科手术的当前局限性包括周围健康脑和肿瘤组织之间的对比度不佳，以及缺乏通过A
使用 DGMM²RBCNN 技术对脑肿瘤进行检测和分类 Sandhya.U GRT 工程学院 ECE 系助理教授
使用 DGMM²RBCNN 技术进行脑肿瘤检测和分类 Sandhya。 U 助理教授，ECE 系，GRT 工程技术学院，蒂鲁塔尼 电子邮件：sandhya.u@grt.edu.in K Naresh Kumar 助理教授/ECE，GRT 工程技术学院，蒂鲁塔尼 电子邮件：naresh.kr84@gmail.com Saranya AP 助理教授，ECE，GRT 工程技术学院，蒂鲁塔尼 电子邮件：saranya.ap@grt.edu.in N. Jayapal 助理教授，ECE 系，Kongunadu 工程技术学院，Trichy² 621215，泰米尔纳德邦 jayapal385@gmail.com 电子邮件：S. Kumarganesh 博士 教授，ECE 系，知识技术学院，Salem-637504，泰米尔纳德邦 电子邮件：skgece@kiot.ac.in 摘要 --- 多形性胶质母细胞瘤占成人恶性原发性脑肿瘤的 80%，分为两种类型： 高级别胶质瘤（HGG）和低级别胶质瘤（LGG）。LGG 肿瘤的侵袭性低于 HGG 肿瘤，生长速度较慢，对治疗有反应。由于脑肿瘤患者难以进行肿瘤活检，因此磁共振成像 (MRI) 等非侵入性成像方法已被广泛用于诊断脑癌。在本文中，我们利用多序列 MR 数据研究了深度卷积神经网络 (ConvNets) 对脑肿瘤进行分类。使用基于人工智能的解决方案可以早期发现肿瘤。这样，可以尽早发现肿瘤，并解决可能危及人类生命的疾病。该架构用于尽早发现可能的脑癌，这对人类生命构成了严重威胁。
利用集成分子数据的病理图像深度神经网络分析增强胶质瘤分类和分级
神经胶质瘤是源自神经胶质细胞的原发性脑肿瘤。对这些肿瘤的分类和分级对于预后和治疗计划至关重要。世界卫生组织 (WHO) 于 2016 年推出了现行的中枢神经系统 (CNS) 神经胶质瘤分类标准。该神经胶质瘤分类标准需要将组织学与基因组学相结合。2017 年，中枢神经系统肿瘤分类分子和实用方法信息联盟 (cIMPACT-NOW) 成立，旨在为中枢神经系统肿瘤分类提供最新的建议，预计 WHO 将在即将发布的分类中采纳这些建议。在这项工作中，我们提出了一种新颖的神经胶质瘤分析方法，这是文献中首次根据最新的 WHO 标准将从脑组织病理学图像数字分析中获得的细胞特征与分子特征相结合。我们首先提出了一种新颖的过度分割策略，用于在大型组织病理学全幻灯片图像 (WSI) 中选择感兴趣区域 (ROI)。然后，基于深度神经网络 (DNN) 的分类方法将分子特征与细胞特征融合，以提高肿瘤分类性能。我们使用来自癌症基因组图谱 (TCGA) 数据集的 549 个患者病例对所提出的方法进行了评估。使用常规 DNN 对低级别胶质瘤 (LGG) 和高级别胶质瘤 (HGG) 的交叉验证分类准确率为 93.81%，使用残差神经网络 (ResNet) DNN 对 LGG II 和 LGG III 的交叉验证分类准确率为 73.95%。我们的实验表明，深度学习的类型对 LGG II 与 LGG III 之间的肿瘤亚型区分有显著影响。这些结果优于对 LGG II 与 LGG III 进行分类的最先进方法。 LGG III，在文献中区分 LGG 与 HGG 方面具有竞争力。此外，我们还研究分子
建立降钙素受体作为治疗胶质母细胞瘤的可行靶点的案例
摘要：由于脑肿瘤胶质母细胞瘤 (GBM) 的平均生存期不到 15 个月，研究人员正在积极寻找新的靶向疗法。本文我们讨论了降钙素受体 (CT 受体) 的提议，该受体在 76-86% 的患者活检中表达，由恶性胶质瘤细胞和假定的胶质瘤干细胞 (GSC) 表达，因此代表了潜在的治疗靶点。42% (42%) 的高级别胶质瘤 (HGG；代表 GSC) 细胞系表达 CT 受体蛋白。CT 受体在生物体的整个生命周期中广泛表达，在某些情况下会促进细胞凋亡。目前尚不清楚 CT 受体的常见异构体中哪种是主要表达的，但假设插入阳性异构体对细胞应激有功能性反应。耐药性恶性肿瘤的模型是化疗在激活静止干细胞以替换肿瘤组织层次中起直接作用的模型。鉴于静止肌肉（卫星）干细胞中 Notch-CT 受体-V 型胶原蛋白轴的激活，本文讨论了 CT 受体在维持静止癌症干细胞中所起的推定作用。报告了四种 HGG 细胞系的药理学 CT 反应谱。CT 反应者和无反应者均对基于抗 CT 受体抗体的免疫毒素敏感。CALCR mRNA 表现出通常与癌细胞相关的可变剪接，这可能导致 CT 无反应者表现出非典型药理学并解释肿瘤抑制。由于 CALCR mRNA 固有的不稳定性，对患者样本中的 CT 受体蛋白进行分析将获得有关 GBM 和其他癌症中 CT 受体表达的改进数据，并了解剪接变体的作用和活性。这些知识将有助于有效靶向该受体以治疗 GBM。