XiaoMi-AI文件搜索系统
World File Search SystemSchwannomas
陶森大学年度语言病理学和听力学研讨会
Deepa Galaiya，医学博士（耳鼻喉科助理教授 - 头颈手术）Deepa Galaiya是一名受过奖学金培训的神经科医生和外侧颅底外科医生。她的临床实践专门研究儿童和成人中中耳，内耳，颅底和面部神经障碍的手术和医疗。这包括治疗颅底肿瘤，前庭schwannomas（或声学神经瘤），人工耳蜗，慢性耳部疾病，听力丧失，胆固醇，耳塞，耳脊髓病，脑脊液漏气泄漏和耳痛。她接受了内窥镜耳部手术的训练，这是一种最少的侵入性方法来治疗胆汁脱蛋白瘤和耳膜穿孔，以减少对可见切口的需求。她将为巴尔的摩和华盛顿特区都会区的患者居民提供服务。Galaiya博士的研究兴趣包括开发用于评估电极插入，尖端折叠和基底膜破裂的人耳塞植入的力感应微量毛。她的其他项目涉及用于手术导航的计算机视觉，用于机器人颞骨手术的工具到组织的注册，手术人体工程学的优化以及与合作控制机器人组合的中耳假体放置力的力量评估。财务披露-Deepa Galaiya受约翰·霍普金斯（John Hopkins）非财务披露雇用-Deepa Galaiya没有非财务披露
个性化医学时代的胃蛋白释放肽受体成像和治疗
g天文释放肽受体（GRPR）或bombesin receptor 2是一种在几种实体瘤中过表达的膜受体，包括前列腺肿瘤，乳腺肿瘤，胃肠道基质肿瘤（GISTS），小细胞和非细胞和非细胞和非 - 小细胞肺癌，gastrino-Mas-mas-Mas-mas，结肠癌，蛋白癌，蛋白蛋白癌，蛋白蛋白蛋白酶，卵巢癌。这个目标增加了疗法的武术，因为许多光学含量的放射性药物已开始使用。Wang等人的文章。在《核医学杂志》中阐明了GIST中的GRPR成像（1）。PET/CT使用[68 GA] Ga-Nota-RM26（一种靶向GRPR靶向放射性药物），检测到16名患者的18个病理结构的GIST GIST病变中有88.9％，而[18 F] -FDG PET/CT仅检测到50％（p，0.01）。对于[68 Ga] ga- nota-rm26， suv max大大高于[18 f] -fdg（平均值，17.07 6 19.57 vs. 2.28 6 1.65; p，0.01），并且与免疫组织上的grpr不合理。作者发现GRPR PET/CT成像有助于将GIST与良性平滑肌瘤和Schwannomas区分开，基于GIST的SUV Max较高（1）。这些结果表明，以GRPR为目标的成像可能与选定患者的手术计划和治疗决策有关。然而，根据Wang等人提出的SUV最大临界值，异位胰腺与GIST更难区分。GIST是由肌肉肌的骨髓丛内的cajal间质细胞引起的间质肿瘤，典型地在胃中（60％），空肠和回肠（30％），或者，较少频率地，较少的，duododenum，duododenum，duododenum，duododeNum，colon，colon，or eypophagus。诊断时的平均年龄为60 - 65岁，没有性别偏好。GIST与在琥珀酸脱氢基因酶亚基中的一个中激活试剂盒（75％），血小板衍生的生长因子受体A（10％）或频繁突变（例如NF-1突变）或缺乏症有关。GIST通常以局部疾病的形式出现，但是复发和转移经常出现。先进的GIST通过手术和酪氨酸激酶抑制剂（例如，伊马替尼第一，苏替尼，雷莫非尼）的结合进行治疗，但患者随着时间的推移会发展出TKI耐药性。Reubi等人报道了在原发性和转移性GIST中GRPR和其他神经肽受体的高表达。 使用受体放射率，为设定基础在原发性和转移性GIST中GRPR和其他神经肽受体的高表达。使用受体放射率，为
使用 MRI 肿瘤纹理预测前庭神经鞘瘤放射外科治疗后暂时性肿瘤增大
目的：前庭神经鞘瘤 (VS) 是一种罕见的良性脑肿瘤，通常采用伽玛刀放射外科 (GKRS) 治疗。然而，由于暂时性肿瘤增大 (TTE) 可能产生的不良影响，大型 VS 肿瘤通常通过手术切除而不是放射外科治疗。由于显微外科手术具有高度侵入性并且会显著增加并发症的风险，因此通常首选 GKRS。因此，预测大型 VS 肿瘤的 TTE 可以改善整体 VS 治疗，并使医生能够根据个体情况选择最优治疗策略。目前，尚无已知的临床因素可以预测 TTE。在本研究中，我们旨在使用从 MRI 扫描中提取的纹理特征来预测 GKRS 后的 TTE。方法：我们分析了在我们伽玛刀中心接受治疗的 VS 患者的临床数据。数据是前瞻性收集的，包括患者和治疗相关特征以及治疗当天和治疗后 6、12、24 和 36 个月的随访中获得的 MRI 扫描。使用统计检验研究了患者和治疗相关特征与 TTE 的相关性。从治疗扫描中，我们提取了以下 MRI 图像特征：一阶统计数据、Minkowski 函数 (MF) 和三维灰度共生矩阵 (GLCM)。这些特征被应用于机器学习环境中，用于使用支持向量机对 TTE 进行分类。结果：在包含 61 名明显非 TTE 患者和 38 名明显 TTE 患者的临床数据集中，我们确定患者和治疗相关特征与 TTE 没有任何相关性。此外，使用支持向量机分类，一阶统计 MRI 特征和 MF 没有显著显示预后价值。然而，利用一组 4 个 GLCM 特征，我们实现了 0.82 的敏感性和 0.69 的特异性，显示了它们对 TTE 的预后价值。此外，这些结果对于较大的肿瘤体积有所增加，对于大于 6 cm 3 的肿瘤，获得了 0.77 的敏感性和 0.89 的特异性。结论：本研究的结果清楚地表明，MRI 肿瘤纹理提供了可用于预测 TTE 的信息。这可以作为选择个体 VS 治疗的基础，进一步改善整体治疗结果。特别是对于 VS 较大的患者，TTE 现象最为相关，我们的预测模型表现最佳，这些发现可以在临床工作流程中实施，从而可以为每位患者确定最优的治疗策略。© 2020 作者。医学物理学由威利期刊公司代表美国医学物理学家协会出版。 [https://doi.org/10.1002/mp.14042]