XiaoMi-AI文件搜索系统
World File Search SystemLunit
AI 驱动的免疫治疗组织生物标志物
· Lunit 是全球少数几家拥有高水平组织数据分析能力的公司之一。· Lunit SCOPE 是基于来自 100 家医疗机构（包括斯坦福研究中心）的 20,000 多张幻灯片开发的。· Lunit 拥有自己的注释平台，可供 10 多家远程病理学公司使用，并与 150 多名病理学家合作进行注释。
对 12 种用于检测结核病的人工智能解决方案进行独立评估
尽管可用的 CAD 解决方案种类繁多，但对用于结核病 (TB) 筛查的计算机辅助检测 (CAD) 软件的独立评估却很少。我们开发了一个胸部 X 光 (CXR) 图像测试库，由两名具有不同经验水平的结核病临床医生盲读，然后通过 12 种 CAD 软件解决方案进行处理。使用 Xpert MTB/RIF 结果作为参考标准，我们将每种 CAD 软件的性能特征与专家读者和中级读者进行了比较，使用的截止阈值是根据每个人体读者的敏感度选择的。六个 CAD 系统的表现与专家读者（Qure.ai、DeepTek、Delft Imaging、JF Healthcare、OXIPIT 和 Lunit）相当，另外一种软件（Infervision）的表现仅与中级读者相当。Qure.ai、Delft Imaging 和 Lunit 是唯一表现明显优于中级读者的软件。大多数 CAD 软件在有结核病史的参与者中表现明显较差。用于捕获 CXR 图像的放射线设备也对某些 CAD 软件的性能有影响。结核病计划实施者现在有多种优质 CAD 软件解决方案可供选择，可用于他们的 CXR 筛查计划。
发炎的免疫表型预测了多种癌症类型的免疫检查点抑制剂治疗的有利临床结果
抽象背景是由肿瘤内肿瘤内肿瘤浸润淋巴细胞富集（TIL）在肿瘤内肿瘤内区域内的富集，是一种有希望的肿瘤生物标志物，是对免疫检查点抑制剂（ICI）治疗的反应的有前途的肿瘤生物标志物。但是，在手动组织病理学检查中以客观和可重复的方式定义IIP是一项挑战。在这里，我们研究了能够预测多种实体瘤类型ICI临床结果的基于人工智能（AI）的免疫表型。方法Lunit范围IO是一个深度学习模型，它基于TIL分析确定了肿瘤微环境的免疫表型。我们评估了IIP和ICI治疗结果之间的相关性，以目标反应率（ORR），自由生存（PFS）和总生存率（OS）和总体生存率（OS）在1,806名ICI治疗的患者中，代表27种超过27种固体类型的患者从多个机构中追溯收集了27种固体类型。结果，我们观察到IIP的总体流行率为35.2％，明显更有利的ORR（26.3％vs 15.8％），PFS（中位数5.3 vs 3.1个月，HR 0.68，95％CI 0.61至0.76）和OS（中位数25.3 vs 13.6个月，HR 0.66，95％CI 0.66，95％CI）分别有非IIP患者（所有比较的P <0.001）。在亚组分析上，IIP通常是主要患者亚组的有利PF的预后，除了微卫星不稳定/不匹配修复缺陷外组外。结论基于AI的IIP可能代表一种实用，负担得起的，可起作用的和肿瘤的生物标志物在不同肿瘤类型的ICI治疗反应的预后。