XiaoMi-AI文件搜索系统
World File Search SystemIBSI
脑转移的放射学研究质量
目的：我们的研究旨在根据放射线质量评分（RQS）评估脑转移的放射组学研究质量，对个体预后或诊断列表的多变量预测模型的透明报告以及图像生物标准标准化启动（IBSI）指南。材料和方法：PubMed Medline和Embase搜索有关评估脑转移酶的放射线学的文章，直到2021年2月。，其中包括29篇相关的原始研究文章。结果：仅在三项研究（10.3％）中进行外部验证。中间RQS为3.0（范围为-6至12），较低的基本依从率为50.0％。与“黄金标准”（10.3％）相比，依从率较低，表明潜在的临床效用（10.3％），进行截止分析（3.4％），报告校准统计数据（6.9％），并提供开放的科学和数据（3.4％）。没有研究涉及重测或幻影研究，前瞻性研究或成本效益分析。对三脚架清单的依从性总体效率为60.3％，报告标题（3.4％），结果的盲评估（0％），丢失数据的处理（0％）的描述以及完整的预测模型的介绍（0％）。大多数研究都缺乏预处理步骤，具有偏置场校正，异诺夫氧乙烯重采样，头骨剥离和灰度离散化，仅在六个（20.7％），9（31.0％），四个（3.8％）和四项（3.8％）和四项（13.8％）研究中进行。结论：研究期间发表的关于脑转移的放射组学研究的总体科学和报告质量不足。放射素学研究应遵守RQS，Tripod和IBSI指南，以促进放射素学向临床领域的转化。关键字：机器学习；脑转移；质量改善；放射学；放射线质量评分
FDG PET生物标志物预测抗PD1免疫疗法之前转移性黑色素瘤生存率
我们的目的是分析在抗PD1治疗之前从基线18 F-FDG PET中提取的生物标志物是否有助于预后生存信息，以便转移性黑色素瘤的早期风险分层。Fifty-six patients, without prior systemic treatment, BRAF wild type, explored using 18 F-FDG PET were included retrospectively.Our primary endpoint was overall survival (OS).Total metabolic tumoral volume (MTV) and forty-one IBSI compliant parameters were extracted from PET.Parameters associated with outcome were evaluated by a cox regression model and when significant helped build a prognostic score.Median follow-up was 22.1 months and 21 patients died.Total MTV and long zone emphasis (LZE) correlated with shorter OS and served to define three risk categories for the prognostic score.For low, intermediate and high risk groups, survival rates were respectively 91.1% (IC 95 80–1), 56.1% (IC 95 37.1–85) and 19% (IC 95 0.06–60.2) and hazard ratios were respectively 0.11 (IC 95 0.025–0.46), P = 0.0028, 1.2 (IC 95 0.48–2.8), P = 0.74 and 5.9 (IC 95 2.5–14), P < 0.0001.得出结论，基于总MTV和LZE的预后评分分离了3类，其结局截然不同的转移性黑色素瘤患者。Innovative therapies should be tested in the group with the lowest prognosis score for future clinical trials.
定量成像（放射线学）和人工智能在精确肿瘤学中的新作用
癌症是致命的疾病，是全球第二大死亡的原因。癌症治疗是一个复杂的过程，需要一种基于多模式的方法。癌症检测和治疗始于筛查/诊断，并一直持续到患者还活着。筛查/诊断疾病是癌症管理的开始，并且继续进行疾病的分期，计划和提供治疗，治疗监测以及持续的监测和随访。成像在癌症管理的所有阶段都起着重要作用。常规肿瘤学实践认为，所有患者在疾病类型中均相似，而生物标志物亚群则是一种疾病类型的患者，这会导致精确肿瘤学的发展。放射线过程的利用促进了在精确肿瘤学中找到应用的各种成像生物标志物的进步。过去，许多研究人员研究了成像生物标志物和人工智能（AI）在肿瘤学中的作用。现有文献暗示了成像生物标志物和AI在肿瘤学中的作用的日益增加。但是，也对放射线特征的稳定性也受到质疑。放射线群落已经认识到，放射线特征的不稳定性对基于放射素的预测模型的全球概括构成了危险。为了在肿瘤学中建立基于放射素的成像生物标志物，需要优先建立放射线特征的鲁棒性。这是因为在一个机构中开发的放射线模型在其他机构中经常表现不佳，这很可能是由于放射性特征不稳定性所致。为了概括肿瘤学中的基于放射素的预测模型，包括定量成像网络（QIN），定量成像生物标志物联盟（QIBA）和图像生物标记标准化计划（IBSI）的许多计划已发起以稳定辐射特征。