XiaoMi-AI文件搜索系统
World File Search SystemTum
互相抓挠：通过类别意识群体自我支持学习
尽管磁共振成像（MRI）对脑肿瘤分割和发现非常有帮助，但它在临床实践中缺乏某些方式。作为一种态度，预测绩效的退化是不可避免的。根据当前的实现，在模态特征的训练过程中，不同的模式被认为是独立的，彼此之间是独立的，但是它们是互补的。在本文中，考虑到不同方式对各种肿瘤区域的敏感性，我们提出了一种意识到类别的G组大量学习框架（称为GSS），以弥补本性模态模态提取阶段的信息。确切地说，在每个预测类别中，所有模态的预测构成了一个组，其中选择了最出色的灵敏度的预测作为组领导者。小组领导者与成员之间的合作努力以高的一致性和确定性为基础。作为我们的次要贡献，我们引入了一个随机面具，以减少可能的偏见。GSS采用标准培训策略而无需具体的建筑选择，因此可以轻松地插入现有的全模式内脑肿瘤分段中。在BRATS2020，BRATS2018和BRATS2015数据集上进行了明显的，广泛的实验表明，GSS可以平均证明现有的SOTA算法的性能平均为1.27-3.20％。该代码在https://github.com/qysgithubopen/gss上发布。
RASSF1A 肿瘤抑制因子 - UCD 研究资料库
摘要：RASSF1A 肿瘤抑制因子是一种参与细胞信号传导的再生蛋白。越来越多的证据表明，这种蛋白质位于复杂信号网络的交叉点，该网络包括细胞稳态的关键调节器，例如 Ras、MST2/Hippo、p53 和死亡受体通路。RASSF1A 表达的丧失是实体肿瘤中最常见的事件之一，通常是由 DNA 甲基化导致的基因沉默引起的。因此，重新表达 RASSF1A 或针对其复杂信号网络的影响模块进行治疗是治疗多种肿瘤类型的一种有希望的途径。在这里，我们回顾了 RASSF1A 信号网络的主要模块以及网络失调对不同癌症类型的影响的证据。具体来说，我们总结了介导 RASSF1A 启动子甲基化的表观遗传机制以及 Hippo 和 RAF1 信号模块。最后，我们讨论了重建 RASSF1A 功能的不同策略，以及如何通过多靶向途径方法选择此网络中的可用药节点来开发新的癌症治疗方法。
使用深度学习检测脑肿瘤
我保证，据我所知，我的论文不侵犯任何人的版权，也不违反任何专有权利，并且我的论文中包含的任何想法、技术、引用或来自他人作品的任何其他材料（无论是否已发表）均已根据标准引用惯例完全承认。此外，如果我所包含的受版权保护的材料超出了《印度版权法》所规定的公平使用范围，我保证我已获得版权所有者的书面许可，可以将此类材料纳入我的论文中，并将此类版权许可的副本附在我们的附录中。
脑肿瘤放射基因组学分类
摘要 - RSNA-MICCAI 脑肿瘤放射基因组学分类挑战赛[1]旨在通过对多参数 mpMRI 扫描（T1w、T1wCE、T2w 和 FLAIR）进行二元分类来预测胶质母细胞瘤中的 MGMT 生物标志物[2]状态。数据集分为三个主要队列：训练集、验证集（在训练期间使用），测试集仅在最终评估中使用。图像要么是 DICOM 格式[3]，要么是 png 格式[4]。使用不同的架构来研究该问题，包括 3D 版本的 Vision Transformer (ViT3D)[5]、ResNet50[6]、Xception[7] 和 EfficientNet-b3[8]。AUC 被用作主要评估指标，结果显示 ViT3D 和 Xception 模型都具有优势，在测试集上分别达到 0.6015 和 0.61745。与其他结果相比，考虑到任务的复杂性，我们的结果被证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集可以取得进一步的改进。
采取协作方式加速为罕见肿瘤患者提供更好的治疗
✓ 前 500 名参与者的 10662 个数据字段 ✓ 前 200 名参与者的 57245 个数据字段 ✓ 193 种肿瘤的变异调用 ✓ 193 种肿瘤的 2370 个生物样本注释字段 ✓ 受控访问下的公开发布预计于 2023 年第四季度
脑肿瘤研究体外方法的系统评价方法 (SAToRI-BTR)：制定评估质量的初步清单
背景 - 已经开发出多种人体体外方法，人们对这些研究解决与临床（人体）药物使用和肿瘤病理生物学相关的问题的潜力非常感兴趣。这需要就如何评估现有证据的强度（即质量和数量）和此类研究的人类相关性达成一致。SAToRI-BTR（脑肿瘤研究体外方法的系统方法审查）项目旨在确定相关的评估标准，以帮助使用体外方法规划和/或评估脑肿瘤研究。目标 - 确定评估体外脑肿瘤研究质量和人类相关性的标准；评估此类标准对该领域工作的高级科学家的普遍接受度。方法 - 第一阶段涉及通过以下方式确定评估体外研究的潜在标准：（1）对脑肿瘤研究人员进行国际调查；（2）采访科学家、临床医生、监管者和期刊编辑；（3）分析相关报告、文件和已发表的研究。通过对研究结果进行内容分析，制定了脑肿瘤体外研究质量评估的初步标准清单。第二阶段由专家小组（德尔菲法）审查标准。结果 - 第一阶段的结果表明，体外研究的审查方法和质量差异很大，需要改进报告标准。确定了 129 项初步标准；删除了重复和高度特定于上下文的项目，最终有 48 项标准供专家（德尔菲法）小组审查。37 项标准达成一致，从而形成脑肿瘤研究体外研究评估的临时清单。结论 - 通过系统地整理评估标准并对其进行专家审查，SAToRI-BTR 已为体外脑肿瘤研究评估提供了初步指导。计划进一步制定该指导，包括研究适应和传播脑肿瘤研究不同子领域以及更广泛的体外领域的策略。
用钇-90 微球对肝脏肿瘤进行放射栓塞治疗
放射栓塞术 (RE)，也称为选择性内放射治疗 (SIRT)，近年来逐渐被引入到临床的细胞减灭术中。越来越多的证据表明，RE 对各种实体的肝脏肿瘤有效，其中最突出的是肝细胞癌、结直肠癌和神经内分泌肿瘤。许多其他肿瘤实体（包括乳腺癌、胆管癌和胰腺癌）的肝转移对治疗敏感，即使对其他治疗方式（如温和栓塞、区域或全身化疗）有抵抗力。SIRT 的抗肿瘤作用与放射有关，而不是栓塞，在存活肿瘤部位选择性地获得极高的局部放射剂量，对周围正常肝组织的影响很小。RE 后的形态学变化可能会给传统的重新分期解释肿瘤活力和对治疗的真实反应带来困难。因此，功能成像，即对大多数接受治疗的肿瘤进行 18 F 氟脱氧葡萄糖正电子发射断层扫描 (计算机断层扫描) 代谢成像，被视为这方面的黄金标准，应纳入 SIRT 前后评估。为防止与强效抗肿瘤功效相关的严重毒性，细致的治疗前评估尤为重要。预测剂量的改进将有助于优化治疗和患者选择。核医学程序对于 RE 的计划、执行和监测至关重要。然而，对于这种特殊的治疗形式，必须强调患者管理的跨学科方面。随着 SIRT 从抢救指征发展到肝肿瘤疾病早期阶段的使用，以及新治疗方案和靶向疗法的出现，将 SIRT 嵌入多学科方法将变得更加重要。本文重点介绍治疗的选择、准备和执行以及治疗后监测和反应评估的程序和技术方面。Semin Nucl Med 40:105-121 © 2010 Elsevier Inc. 保留所有权利。
引用Choi，Il-Kyu，Zhe Wang，Qiang Ke，Min Hong，Dereck W. Paul，Stacey M. Fernandes，Zhuting Hu等。 “ EBV诱导抗肿瘤IMM
使用条款本文从哈佛大学的DASH存储库下载，并根据适用于其他已发布材料（LAA）的条款和条件提供，如https://harvardwiki.atlassian.net/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/ngy/ngy/ngy5ngy5ndnde4zjgzndnde4zjgzntc5ndndndgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgiamsfyytytewy
用于肿瘤成像的叶酸受体靶向 PET 放射性药物的开发——从实验室到临床的历程
摘要：叶酸受体-α（FR-α）在许多上皮癌中过度表达，包括卵巢癌、子宫癌、肾癌、乳腺癌、肺癌、结肠癌和前列腺癌，但在肾脏、唾液腺、脉络丛和胎盘等正常组织中表达有限。因此，FR-α已成为向FR阳性肿瘤输送治疗剂和成像剂的有希望的靶点。已经开发了一系列基于叶酸的PET（正电子发射断层扫描）放射性药物，用于选择性靶向FR阳性恶性肿瘤。本综述概述了迄今为止关于叶酸衍生的PET放射性结合物的设计、放射合成和用于靶向FR阳性肿瘤的效用的研究进展。本文主要介绍了用氟-18（t 1 / 2 = 109.8 分钟）和镓-68（t 1 / 2 = 67.7 分钟）标记的叶酸放射性结合物的结果，但也讨论了用“外来”和新 PET 放射性核素标记的叶酸，例如铜-64（t 1 / 2 = 12.7 小时）、铽-152（t 1 / 2 = 17.5 小时）、钪-44（t 1 / 2 = 3.97 小时）、钴-55（t 1 / 2 = 17.5 小时）和锆-89（t 1 / 2 = 78.4 小时）。对于肿瘤成像，迄今为止报道的 PET 放射性标记叶酸中，除了 [ 18 F]AzaFol 之外，没有一种完成了从实验室到临床的旅程，该药物在一项多中心首次人体试验中成功用于转移性卵巢癌和肺癌患者。然而，在不久的将来，我们预计会有更多基于叶酸的 PET 放射性药物的临床试验，因为临床对成像和 FR 相关恶性肿瘤的治疗越来越感兴趣。
使用分层组合进行脑肿瘤分割...
摘要背景：磁共振（MR）图像是脑肿瘤检测最重要的诊断工具之一。在医学图像处理问题中，脑 MR 图像中胶质瘤肿瘤区域的分割具有挑战性。精确可靠的分割算法对诊断和治疗计划有很大帮助。方法：本文介绍了一种新颖的脑肿瘤分割方法作为后分割模块，该方法使用主要分割方法的输出作为输入，并使分割性能值更好。该方法是模糊逻辑和细胞自动机（CA）的组合。结果：BraTS 在线数据集已用于实现所提出的方法。在第一步中，将每个像素的强度输入模糊系统以标记每个像素，在第二步中，将每个像素的标签输入模糊 CA 以使分割性能更好。在性能饱和时重复此步骤。第一步的准确率为 85.8%，但使用模糊 CA 后的分割准确率达到 99.8%。结论：实际结果表明，与其他方法相比，我们提出的方法可以显著改善 MRI 图像中的脑肿瘤分割。