XiaoMi-AI文件搜索系统
World File Search SystemTumor
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
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
黑色素瘤中的肿瘤淋巴细胞
恶性黑色素瘤是皮肤癌最具侵略性的形式，其特征是不可预测的生长模式，尽管采用了各种治疗方法，但在最近几十年中，其死亡率仍然令人震惊。改善黑色素瘤患者结局的一种有希望的策略在于早期使用生物标志物来预测预后。生物标志物提供了一种方法来衡量疾病课程初期的患者观点，促进及时，有针对性的干预。近年来，鉴于肿瘤的高免疫原性和对免疫治疗的潜在反应性，已经对免疫反应在黑色素瘤中的作用非常关注。研究人员致力于通过检查肿瘤微环境（TME）中的癌细胞生物学和免疫相互作用来识别预测性生物标志物。这种方法揭示了肿瘤 - 纤维淋巴细胞（TILS），这是一种在肿瘤中发现的一种免疫细胞。tils已成为一个有前途的研究领域，因为它们有潜力既是黑色素瘤的预后指标和治疗靶标。黑色素瘤组织中的tils的存在通常可以表明对癌症的阳性免疫反应，许多研究表明TIL可以改善患者的预后。本综述深入研究了黑色素瘤中TIL的预后价值，评估了这些免疫细胞如何影响患者的结果。它探讨了TILS与黑色素瘤细胞相互作用的机制以及利用TIL在治疗策略中的潜在临床应用。虽然tils提出了预后和治疗的充满希望的途径，但仍然存在挑战。这些包括了解TME内的TIL动力学的全部程度以及基于TIL的疗法的克服局限性。直到表征方法的进步对于重新填充基于TIL的方法也至关重要。通过解决这些障碍，以TIL为重点的研究可能为改善诊断和治疗方案铺平了道路，最终为黑色素瘤患者提供了更好的结果。
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。
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。
Tri-VAE：用于脑肿瘤 MRI 无监督异常检测的三重变分自动编码器
由于带注释的样本稀缺，病理性脑损伤在图像数据中的复杂表现对监督检测方法提出了挑战。为了克服这个困难，我们将重点转移到无监督异常检测。在这项工作中，我们专门使用健康数据训练所提出的模型，以识别测试期间未见的异常。这项研究需要调查基于三元组的变分自动编码器，以同时学习健康脑数据的分布和去噪能力。重要的是，我们纠正了先前基于投影的方法中固有的一个误解，该误解依赖于这样的假设：图像内的健康区域在重建输出中将保持不变。这无意中暗示了病变图像和无病变图像在潜在空间表示上存在相当大的相似性。然而，这种假设可能并不成立，特别是由于病变区域强度对投影过程的潜在重大影响，特别是对于具有单一信息瓶颈的自动编码器。为了克服这个限制，我们将度量学习与潜在采样分离。这种方法确保病变和无病变输入图像都投影到相同的分布中，特别是无病变投影。此外，我们引入了一个语义引导的门控交叉跳过模块来增强空间细节检索，同时抑制异常，利用解码器更深层中存在的健壮健康大脑表示语义。我们还发现，将结构相似性指数测量作为额外的训练目标可以增强所提模型的异常检测能力。
乳腺癌播散性肿瘤细胞和休眠的临床和生物学方面
检测和治疗方面的进步大大提高了早期乳腺癌患者的生存率。然而，远处复发会导致高死亡率，通常被认为是无法治愈的。癌症通过循环肿瘤细胞 (CTC) 传播，多达 75% 的乳腺癌患者在诊断时可能存在微转移，而转移性复发通常发生在治疗后数年到数十年。在临床潜伏期，播散性肿瘤细胞 (DTC) 可以在远处进入细胞周期停滞或休眠状态，很可能无法被免疫检测和治疗。虽然这是一个挑战，但它也可以看作是一个绝佳的机会，可以在休眠 DTC 转化为致命的大转移病变之前及时将其靶向。在这里，我们回顾并讨论了我们在乳腺癌 DTC 和休眠生物学方面的进展。我们对这些特征的机制洞察取得了长足进步，从而确定了可能的靶向策略，但将它们整合到临床试验设计中仍不确定。结合微创液体活检和合理设计的辅助疗法，针对增殖和休眠肿瘤细胞，可能有助于应对当前的挑战并提高精准癌症治疗。
夹子驱动的器官分割和肿瘤检测的通用模型
越来越多的公共数据集显示出对自动器官细分和图检测的显着影响。但是，由于每个数据集的大小和部分标记的问题，以及对各种肿瘤的有限侵入，因此所得的模型通常仅限于细分特定的器官/肿瘤，以及ig- ignore ignore ignore的解剖结构的语义，也可以将其扩展到新颖的Domains。为了解决这些问题，我们提出了剪辑驱动的通用模型，该模型结合了从对比的语言图像预训练（剪辑）到细分模型中学到的文本嵌入。这个基于夹子的标签编码捕获了解剖学关系，使模型能够学习结构化特征嵌入和段25个器官和6种类型的肿瘤。提出的模型是从14个数据集的组装中开发的，使用总共3,410张CT扫描进行培训，然后对3个附加数据集进行了6,162个外部CT扫描进行评估。我们首先在医疗细分十项全能（MSD）公共排行榜上排名第一，并在颅库（BTCV）之外实现最先进的结果。此外，与数据集特异性模型相比，大学模型在计算上更有效（更快6英制），从不同站点进行CT扫描更好，并且在新任务上表现出更强的传输学习绩效。
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。
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。