XiaoMi-AI文件搜索系统
World File Search SystemPCNSL
针对性疗法的新希望和挑战和原发性中枢神经系统淋巴瘤的免疫疗法
原发性中枢神经系统淋巴瘤（PCNSL）是与中枢神经系统相关的非霍奇金淋巴瘤（NHL）。大多数患者最终出现复发/难治性（R/R）PCNSL，PCNSL的总体预后仍然令人沮丧。最近，基因测序，转录组测序和单细胞测序平台提供了大量数据，揭示了PCNSL中发病机理和耐药性的基础机制，包括肿瘤细胞中NF-K B信号途径的激活，肿瘤细胞，肿瘤的异质性和免疫质量tumoremronosemronosmorodronenment。PCNSL分子病理学研究的进步已导致确定新的治疗靶标并开发新的药物。新的治疗策略，例如创建小分子靶向剂，免疫调节药物，免疫检查点抑制剂和嵌合抗原受体T（CAR-T）细胞疗法，为PCNSL患者带来了新的希望，尤其是R/R PCNSL。本综述提出了PCNSL治疗，审查和讨论有针对性治疗和免疫疗法的效率和挑战的最新进展，并为PCNSL治疗策略的未来发展提供了前景。
意义：原发性中枢神经系统淋巴瘤与胶质母细胞瘤的鉴别在临床上至关重要，以尽量减少治疗风险，
以最大限度保证安全切除，并辅以放化疗以延长患者生存期。2～4除GBM外，另一种颅内恶性肿瘤原发性中枢神经系统淋巴瘤（PCNSL）占脑肿瘤的1.9%，5年生存率为37.6%。1目前，PCNSL最有效的治疗方法是化疗和放疗。5,6通常不鼓励将手术切除作为PCNSL的治疗方案。7,8因此，鉴别PCNSL与GBM已从临床角度引起重视。由于二者的放射学形态不同，术前磁共振成像（MRI）有助于鉴别PCNSL与GBM。研究表明，GBM在不同患者中表现出明显的影像学异质性，通常，GBM的MRI显示坏死是GBM的重要标志，表现为边缘强化、外形不规则或实性肿块。9、10另一方面，与GBM相比，PCSNL的弥漫性浸润性较低，很少显示坏死区域。11、12然而，非典型病例可以相互模仿，例如没有可见坏死的GBM或有明显坏死的PCNSL，这使得通过常规MRI的大体目视检查进行区分变得困难。除了常规MRI外，由于GBM和PCSNL在功能表达上不同，功能MRI可以帮助我们分辨它们之间的区别。PCNSL和GBM的鉴别可以基于三个功能特征，13、14，即肿瘤血管分布、15血管通透性，16、17
用于术前鉴别胶质母细胞瘤、脑转移瘤和原发性中枢神经系统淋巴瘤的深度学习模型：一项外部验证研究
摘要：(1) 背景：神经影像学鉴别胶质母细胞瘤、原发性中枢神经系统淋巴瘤 (PCNSL) 和单发性脑转移瘤 (BM) 是神经外科实践中的诊断和治疗挑战，它增加了治疗负担，并使患者面临与进一步侵入性手术和治疗延迟相关的额外风险。此外，现代诊断研究尚未完全解决非典型病例和重叠特征。本研究旨在验证先前设计并经过内部验证的 ResNet101 深度学习模型，以区分胶质母细胞瘤、PCNSL 和 BM。(2) 方法：我们招募了 126 名患者（胶质母细胞瘤：n = 64；PCNSL：n = 27；BM：n = 35），并在术前进行 T1Gd-MRI 扫描并进行组织病理学确认。对每个病变进行分割，并将所有感兴趣区域导出到 DICOM 数据集中。在先前对 121 名患者的研究中实施的预训练 ResNet101 深度神经网络模型在当前队列中进行了外部验证，以区分 T1Gd-MRI 扫描中的胶质母细胞瘤、PCNSL 和 BM。（3）结果：该模型在区分 PCNSL（AUC：0.73；95%CI：0.62-0.85）、胶质母细胞瘤（AUC：0.78；95%CI：0.71-0.87）方面实现了最佳分类性能，在区分 BM 方面具有中等至低水平的能力（AUC：0.63；95%CI：0.52-0.76）。通过回顾性审查选定患者群体的诊断报告，评估了专家神经放射科医生在常规和高级 MRI 成像方面的表现，发现 BM 的准确率 (89.69%) 更高，而 PCNSL (82.90%) 和胶质母细胞瘤 (84.09%) 的准确率并不低。 (4) 结论：我们调查了之前发布的深度学习模型是否可以推广到在不同机构招募的外部人群——这一验证证实了模型的一致性，并为未来在脑肿瘤分类中的临床应用奠定了基础。这种基于人工智能的模型可能是一种宝贵的教育资源，如果在前瞻性数据上大量复制，将帮助医生区分胶质母细胞瘤、PCNSL 和孤立性 BM，尤其是在资源有限的环境中。
文章是胶质母细胞瘤，脑转移和原发性中枢神经系统淋巴瘤的术前分化的深度学习模型
摘要：（1）背景：胶质母细胞瘤，原发性中枢神经系统淋巴瘤（PCNSL）和孤立的脑转移（BM）的神经影像图是神经外科实践中的诊断性和性能挑战，是一种诊断和挑战，从而扩大了护理人员的负担，并扩大患者对额外的风险相关的侵害治疗和进一步的治疗方法和进一步的治疗方法。此外，现代诊断研究并未完全解决非典型情况和重叠功能。这项研究的目的是验证先前设计且内部验证的RESNET101深度学习模型，以区分胶质母细胞瘤，PCNSL和BMS。（2）方法：我们在术前T1GD-MRI扫描和组织病理学确认和术前招募了126例患者（N = 64; PCNSL：N = 27; BM：N = 35）。每个病变都进行了细分，并且所有感兴趣的区域均在DICOM数据集中导出。在先前的121例患者上实施的预先训练的RESNET101深神经网络模型在当前队列上进行了外部验证，以在T1GD-MRI扫描上区分胶质母细胞瘤，PCNSL和BMS。（3）结果：在区分PCNSL（AUC：0.73; 95％CI：0.62–0.85），胶质母细胞瘤（AUC：0.78; 95％CI：95％CI：0.71-0.87）和中度至低bms（AUC）（AUC：0.63）的能力（AUC：0.63）（AUC）（AUC：0.63）（AUC）（AUC：0.63）（AUC：0.63）（auc：95％）（auc：95％）（auc：95％），在区分PCNSL（AUC：0.73; 95％CI：0.62-0.85）方面具有最佳的块状性能性能，（3）结果。 通过回顾性评估所选患者队列的诊断报告评估，专家神经放射学家在常规加高级MR Imaging上的表现较高，BMS的准确性（89.69％）（89.69％）（89.69％）而不是PCNSL（82.90％）和Glioblas-Tomas（84.09％）（84.09％）。（3）结果。通过回顾性评估所选患者队列的诊断报告评估，专家神经放射学家在常规加高级MR Imaging上的表现较高，BMS的准确性（89.69％）（89.69％）（89.69％）而不是PCNSL（82.90％）和Glioblas-Tomas（84.09％）（84.09％）。（4）结论：我们研究了先前发表的深度学习模型是否可以推广到不同机构招募的外部人群 - 这种有效性证实了该模型的一致性，并为未来的脑肿瘤分类中的临床应用奠定了基础。这个基于人工智能的模型可能代表了有价值的教育资源，如果在很大程度上复制了预期数据，请帮助医生区分胶质母细胞瘤，PCNSL和孤立BMS，尤其是在资源有限的环境中。
胶质母细胞瘤、脑转移瘤和原发性中枢神经系统淋巴瘤术前鉴别的深度学习模型：一项初步研究
脑转移瘤 (BM)、胶质母细胞瘤和原发性中枢神经系统淋巴瘤 (PCNSL) 是成人中最常见的颅内肿瘤（分别为 17%、14.6% 和 1.9%）(1,2)。治疗方法和预后各不相同，准确的诊断对于指导治疗策略至关重要。目前的指南建议，对于 BM 和胶质母细胞瘤应进行最大限度的手术切除加放化疗治疗，对于 PCNSL 应进行甲氨蝶呤化疗加全脑放疗(3-6)。活检，尤其是立体定向活检，是诊断的金标准，但总体并发症发生率高达 13%(7)。此外，对于 BM 和胶质母细胞瘤患者，为了缓解症状而在术前使用类固醇可能会妨碍 PCNSL 的组织病理学诊断，导致更高的假阴性率(8)。常规磁共振成像 (MRI) 可协助术前诊断评估并指导治疗计划，但病变可能显示重叠的放射学特征。在 T1 加权钆增强 (T1Gd) 图像上，胶质母细胞瘤通常显示对比增强的周边边缘和类似于单发性 BM 的中央坏死，而 PCNSL 通常表现出均匀增强 ( 9 , 10 )。在非典型病例中，胶质母细胞瘤可能显示极少或没有坏死，而 PCNSL 可能显示模仿胶质母细胞瘤的中心坏死 ( 11 )。一些先进的 MRI 技术可以支持放射学评估，例如通过区分 PCNSL 的特征性脑血容量 (CBV) 减少和胶质母细胞瘤中经常报告的高 CBV ( 12 , 13 )。然而，可能会遇到罕见的富血管 PCNSL，即使使用先进的多参数成像，也会带来额外的诊断挑战。最后，先进的 MRI 协议需要更多的专业知识和费用，影响其全球适用性（14）。放射组学已被用于神经肿瘤学，通过分析纹理或手工制作的放射学特征进行诊断分类和预后预测（15）。然而，它需要冗长而细致的预处理步骤，如图像分割、手动特征选择和提取。最近，机器学习算法的引入显著提高了分类性能（16-18）：深度学习方法，特别是深度神经网络（DNN），可以通过直接从放射学序列中提取信息来自动执行多项计算机视觉任务（19、20）。
一种可访问的深度学习工具，用于体素分类......
上行用于 PCNSL 与非 PCNSL，下行用于 GBM 与转移分化）。总体而言，TIC 的信号变化越剧烈，即造影剂到达和冲刷期间的陡峭斜率，贡献分数就越高。对于 GBM 尤其如此，因为这些时间点与其他两种肿瘤类型的差异更大（图 3B 中黑色显示的平均 TIC）。对于 PCNSL 和转移，信号的最后部分也被认为很重要，这是可以预料的，因为这些情况下信号幅度总体较高。重要的是，在 TIC 信号上应用 1D CNN 可以分析信号随时间变化的局部变化。在这方面，仅考虑特定时间点的信号幅度（例如 PSR）或派生测量值（如 rCBV）的方法可能会忽略
当前对主要纵隔大B细胞淋巴瘤的知识和管理
混乱，局灶性神经缺陷，头痛，脑海，恶心和由颅内疾病引起的呕吐[3，5]。有时会观察到快速的神经系统下降。抽搐事件的发生频率少于其他脑肿瘤（占患者的10-20％），眼球的参与也可能在15–20％中，并且视力模糊可能在神经系统症状之前或与神经系统症状共存。gener症状非常罕见[5]。PCNSL是一种侵袭性的淋巴瘤，尽管对化疗和放射疗法的反应在70％至90％之间变化，但复发很频繁，并且预后不良[4]。PCNSL治疗包括多种药物化学疗法与抗-CD20单克隆抗体结合使用，以及至少部分反应治疗的患者的自体骨髓干细胞移植。在不符合过渡的患者中，建议进行放疗[5]。这项回顾性分析的目的是评估PCNSL治疗在2015年至2022年之间，波兰弗兰德（Wroclaw）大学，弗洛克劳夫大学（Wroclaw Medi-Medlaw）的血液学，血液新肿瘤和骨髓移植的患者中的有效性和毒性。
舍曲林通过Sigma 1受体，细胞应激和神经类固醇调节海马可塑性
原发性中枢神经系统淋巴瘤（PCNSL）与全身性大B细胞淋巴瘤的结局有关，对CHOP（环磷酰胺，阿霉素，长春新碱和泼尼松）具有难治性。1，2尽管在新诊断的PCNSL中，在多中心研究中，已将甲氨蝶呤，替诺唑胺和利妥昔单抗（MTR）的结合在多中心研究中被施加了诱导疗法，第3卷，第4页，第4章，基于甲状腺素 - 基于甲旋转的诱导策略是不可能的。5，6标准剂量（36-45 Gy）全脑放射疗法（WBRT）与严重的神经毒性有关，尤其是在60岁以上的患者中。7，8尽管已经研究了剂量降低的剂量WBRT（23 Gy）作为标准剂量WBRT的替代方法，但缺乏长期随访。9迄今为止，尚无研究比较PCNSL中非基于剂量密集型化学疗法的合并策略。
原发性中枢神经系统淋巴瘤患者接受 CD19 靶向嵌合抗原受体 T 细胞治疗后的疗效
中枢神经系统原发性弥漫大 B 细胞淋巴瘤 (PCNSL) 是一种罕见但侵袭性强的淋巴瘤，通常局限于脑、脊髓、软脑膜、脑脊液和/或玻璃体视网膜空间，不影响全身。1,2 尽管随着治疗方法的不断发展，这些患者的预后有所改善，1 但一线治疗后未达到完全缓解 (CR)（即原发性难治性）的患者或在自体干细胞移植 (ASCT) 后复发的患者生存率较低。3 目前尚无关于这些患者最佳挽救治疗的共识，3 并且已采用不同的治疗策略并取得一定成功。3,4 针对 CD19 的嵌合抗原受体 T 细胞 (CAR-T) 疗法被批准用于治疗全身复发或难治 (R/R) 弥漫大 B 细胞淋巴瘤。 5-7 然而，这些关键试验并未纳入 PCNSL 患者，并且 PCNSL 患者被明确排除在 axicabtagene ciloleucel (axi-cel)、tisagenlecleucel (tisa-cel) 和 lisocabtagene maraleucel (liso-cel) 标签之外。8 自 CAR-T 在美国和欧洲获批以来，已有 4 项小型研究（患者数=5-27）报告了 CAR-T 在 PCNSL 中的初步活性和毒性，这些研究的随访时间相对较短。9-12 我们在此使用来自国际血液和骨髓移植研究中心登记处的数据，对 2019 年 1 月至 2022 年 3 月期间接受商业 CAR-T 细胞疗法的 R/R PCNSL 患者进行了分析。研究人群包括连续、同意的患者（≥18 岁），诊断为 R/R PCNSL，并在指数期间接受了市售 CAR T 细胞疗法（即 axi-cel 或 tisa-cel）。没有患者因年龄、合并症、产品类型或数据完整性而被排除。来自禁运中心的患者被排除在外。主要终点是总生存期 (OS)，定义为从 CAR T 输注到因任何原因死亡的时间。次要终点包括第 100 天的总有效率 (ORR)、无进展生存期 (PFS)（定义为从 CAR-T 到复发/进展性疾病 (PD) 或因任何原因死亡的时间，以先发生者为准）、复发或进展的累积发生率、非复发死亡率 (NRM)、死亡原因、CAR-T 输注后第 30 天任何级别严重细胞因子释放综合征 (CRS) 和免疫效应细胞相关神经毒性综合征 (ICANS) 的累积发生率（ASTCT 标准 13 定义），以及中性粒细胞和血小板恢复情况。累积发生率函数用于估计复发/进展、NRM、CRS 和 ICANS，Kaplan-Meier 估计量用于
基于放射线的机器学习绩效，用于神经肿瘤的三类问题：测试水的时间？
简单摘要：先前的放射线研究已经解决了两类肿瘤分类问题（胶质母细胞瘤（GBM）与原发性CNS淋巴瘤（PCNSL）（PCNSL）或GBM相比转移）。但是，这种方法容易出现偏见，并排除其他常见的脑肿瘤类型。我们通过包括三种最常见的脑肿瘤类型（GBM，PCNSL和转移）来解决现实生活中的临床问题。我们使用不同的MRI序列组合研究了两个关键问题：基于肿瘤子区域（坏死，增强，水肿和联合增强的增强和坏死面罩）的性能变化，以及基于选择的分类符号模型/特征选择组合的性能指标。我们的研究提供了证据，表明基于放射素学的三类肿瘤分化是可行的，并且嵌入模型的性能要比具有先验特征选择的模型更好。我们发现，T1对比度增强是具有与多参数MRI相当性能的单个最佳序列，并且模型性能根据肿瘤子区域和模型/特征选择方法的组合而变化。