XiaoMi-AI文件搜索系统
World File Search SystemTumor
文章低级别胶质瘤 (LGG) 靶向 Alpha 疗法 (TAT) 后的长期肿瘤控制：一种新的治疗模式？
1 华沙医科大学核医学系，02-091 华沙，波兰；leszek.krolicki@wum.edu.pl（LK）；jolanta.kunikowska@wum.edu.pl（JK） 2 巴塞尔大学医院神经外科系，4031 巴塞尔，瑞士；dominik.cordier@usb.ch 3 伯尔尼大学医院 Inselspital 神经内科系，3010 伯尔尼，瑞士；nedelina.slavova@gmail.com 4 精神病学和神经病学研究所神经外科系，02-957 华沙，波兰；henryk.koziara@gmail.com 5 欧洲委员会联合研究中心 (JRC)，76125 卡尔斯鲁厄，德国；frank.bruchertseifer@ec.europa.eu (FB); alfred.morgenstern@ec.europa.eu (AM) 6 核医学与放射化学，巴塞尔大学医院，4031 巴塞尔，瑞士 7 伯尔尼与巴塞尔大学神经外科系，4001 巴塞尔，瑞士 * 通信地址：adrian.merlo@bluewin.ch
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。
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
靶向、肿瘤外激活 - 研究合集
近年来，嵌合抗原受体 (CAR) T 细胞癌症免疫疗法在临床上取得了长足进展。然而，与安全性相关的挑战仍然存在；一个主要问题是当 CAR 触发对健康细胞上存在的抗原的反应（靶向、肿瘤外反应）时。改善这种情况的策略依赖于受体亲和力和信号传导之间的复杂关系，这样人们就可以设计出一种仅由表达高抗原水平的肿瘤细胞激活的 CAR。在这里，我们开发了一个 CAR T 细胞展示平台，该平台具有稳定的基因组表达和基于白细胞介素 2 信号传导的快速功能筛选。从对靶抗原具有高亲和力的 CAR 开始，我们结合 CRISPR-Cas9 基因组编辑和深度突变扫描来生成抗原结合域变体库。该库根据抗原结合或细胞信号传导进行了多轮选择。对所得文库进行深度测序和比较分析，发现特定变体富集和消耗，我们从中挑选出基于抗原表达水平被肿瘤细胞选择性激活的 CAR。我们的平台展示了如何结合基于功能筛选的定向进化和深度测序引导选择来提高 CAR 的选择性和安全性。
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。
衰减加速因子保护人类肿瘤细胞
Diaialoganglioside GD2在包括神经母细胞瘤和黑色素瘤在内的各种人类肿瘤类型中表达。3F8结合后，对GD2的鼠单克隆抗体（MAB），神经母细胞瘤和某些黑色素瘤对通过人的补体杀死很敏感，而某些甲虫则不是。研究了补体介导的细胞毒性中这些差异的基础机制，将补体不敏感的黑色素瘤细胞系与衰减加速因子（DAF）的表达进行了比较，衰减加速因子（DAF），一种膜调节蛋白，一种保护血细胞，可保护血液细胞免受自动补体攻击。虽然DAF在神经母细胞瘤中是无法检测的，但它以补充不敏感的素瘤存在。当DAF的功能被抗DAF MAB阻断时，C3的摄取和补体介导的液位黑色素瘤系的裂解显着增强。f（ab'）2个碎片在增强裂解方面与完整的抗DAF mAb一样有效。DAF阴性和DAF阳性黑色素瘤细胞系对Cobra毒液因子处理的血清对被动裂解具有相当抗性。数据表明，在某些肿瘤中，DAF活动解释了它们对涉及杀害的抵抗力。通过阻止DAF功能来使这些细胞对这些细胞的敏感性的能力可能暗示免疫疗法。
以及由Adeno介导的原发性和培养的肿瘤细胞...
我们已经使用阳离子脂质体来促进原代和培养细胞类型的腺相关病毒（AAV）质粒转染。AAV质粒DNA显示出比标准质粒的复合物高的表达水平。此外，观察到典型的脂质体介导的瞬时表达与标准质粒的转染所证明的瞬态表达不同，该基因的长期表达（> 30天）。染色体DNA的南部分析进一步证实了长期表达是由于AAV质粒转染组中的转基因而不是在标准质粒转染组中引起的。AAV质粒 - 脂质体复合物诱导的转基因表达水平与重组AAV转导相当。原发性乳房，卵巢和肺部肿瘤细胞可与AAV质粒DNA-脂质体复合物转染。转染的原发性和培养的肿瘤细胞即使在致命照射后也能够表达转基因产物。在正常人类外周血的新鲜分离的CD3+，CD4+和CD8+T细胞中也观察到了高级基因表达。转染效率范围为10％至501％，如白细胞介素2转染的细胞中细胞内白细胞介素-2水平评估。在原发性肿瘤和淋巴样细胞中表达转基因的能力可以应用于肿瘤疫苗研究和方案，最终可以对癌症和艾滋病中细胞免疫反应的高度特异性调节。
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。
基于Arduino的脑肿瘤检测和治疗...
摘要：脑肿瘤是一个重大的医疗问题，它们的及时检测和治疗对于患者的福祉至关重要。本文使用磁共振成像（MRI）扫描和卷积神经网络（CNN）提出了一种创新的脑肿瘤检测和治疗方法。所提出的系统采用Python进行MRI图像分析和基于CNN的肿瘤分类。一旦确定了肿瘤，基于Arduino的治疗系统将用于管理针对特定肿瘤类别的激光和红外疗法。该集成系统为脑肿瘤诊断和治疗提供了简化有效的解决方案，可能会改善患者的预后。关键字：卷积神经网络（CNN）；脑肿瘤； Arduino uno；激光治疗；红外疗法； Python; I.引言脑肿瘤仍然是医学诊断和治疗领域的巨大挑战。及时，准确的检测以及有效的治疗是确保患者最佳结果的关键因素。在这种情况下，诸如磁共振成像（MRI）和人工智能之类的先进技术表现出了巨大的希望。本文介绍了一种创新的系统，该系统利用MRI扫描的力量，卷积神经网络（CNNS）以及基于Arduino的基于Arduino的控制权来应对这一挑战。这项研究的主要目标是开发一个用于脑肿瘤检测和治疗的综合系统。该系统由两个主要组成部分组成：基于MRI的诊断和基于Arduino的治疗。MRI扫描在对脑肿瘤的初始检测和分类中起关键作用。使用Python和CNN算法，我们分析MRI图像以准确地识别并将脑肿瘤分为不同类别。一旦肿瘤分类，系统就会向Arduino微控制器发送序列数据信号，该信号负责启动适当的治疗。治疗方案包括激光和红外疗法，可以针对特定的肿瘤类别量身定制。这种方法提供了一种以患者为中心的脑肿瘤治疗方法，最大程度地减少了不必要的程序和副作用的风险。在该系统中，人工智能，医学成像和基于Arduino的控制的整合代表了脑肿瘤诊断和治疗领域的显着进步。通过自动化决策过程和治疗管理，我们旨在提高医疗保健提供效率并改善患者的结果。这项研究旨在为打击脑肿瘤的持续努力做出贡献，提供有前途的解决方案，将尖端技术和医疗专业知识结合在一起。
基于PSO的MR图像分割用于脑肿瘤...
抽象的脑肿瘤分割是对医疗保健中诊断和治疗计划很重要的重要步骤。大脑MRI图像是根据建议的方法在收集数据并准备进一步分析之前先进行预处理的。建议的研究介绍了一种新策略，该策略使用以生物启发的粒子群优化（PSO）算法来分割脑肿瘤图像。为了提高准确性和可靠性，可以调整分割模型的参数。标准措施等标准度量，例如精度，精度，灵敏度，jaccard索引，骰子系数，特异性，用于绩效评估，以衡量建议的基于PSO的分割方法的有效性。建议方法的总体准确性为98.5％。随后的绩效分析分别为骰子得分系数，Jaccard指数，精度，灵敏度和特异性的91.95％，87.01％，92.36％，90％和99.7％的结果提供了更好的结果。因此，此方法对于放射科医生来说可能是有用的工具，可以支持它们诊断大脑中的肿瘤。关键字 - 脑肿瘤，群智能，粒子群优化，磁共振图像。