XiaoMi-AI文件搜索系统
World File Search Systemages
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。
你知道大卫贝克汉姆会说九种语言吗？
视听制作过程本质上一直都是复杂的。尽管媒体行业的数字化似乎简化了这一过程，提供了新的和越来越容易获得的工具来支持其每个阶段，但（新）媒体生态系统的不断发展增加了其复杂性。大量新的内容格式和技术标准，再加上市场全球化和新平台的发展，不仅需要修改工具，还需要修改整个制作流程（Fuschi 和 Badii 2013）。视听媒体制作流程的变化是多方面的。面对创建多个版本的内容的需求，这些内容将考虑到众多媒体平台的细节、性质和要求，改进制作工作流程的压力越来越大。这些变化旨在减少过程中的人为错误，从而减少由这些错误造成的延误，但最重要的是，通过将繁琐、重复和耗时的任务委托给机器来提高自动化程度，从而提高工作流程效率并降低生产成本（Dorai 2001）。与此同时，观众可用的内容过剩不仅迫使内容提供商改进内容搜索和发现系统，而且还促使创作者更好地了解观众如何与其内容互动，并创作出更好的内容
相关的巨噬细胞和癌症相关的成纤维细胞
SC技术的出现使我们对包括癌症在内的多种疾病中的巨噬细胞表型，功能和可塑性的理解进行了快速革命。巨噬细胞状态的二进制视图：M1和M2，直到最近才统治着该领域。m1（pro弹药）与M2（替代或抗渗透性）pro文件是通过人和小鼠的体外观察得出的（1）。M1-巨噬细胞在体外通过1型细胞因子（例如IFN-G（和/或TNF- a））在体外获得的巨噬细胞显示出有效的吞噬作用，高水平的促炎细胞因子（即IFN-G，IL-12，TNF- a）和趋化因子（即 CCL2，CXCL10）。 相反，M2巨噬细胞的产生主要由IL-4和/或IL-13（1）等2型细胞因子诱导。 M2样巨噬细胞的特征是伤口愈合活性增加，吞噬作用降低和T细胞抗原表现能力（2，3）。 最近的发现表明，人类巨噬细胞在稳定状态和病理条件下是高度异质的，这表明了上下文和组织依赖性方法在欣赏其生物学特性的重要性。IFN-G，IL-12，TNF- a）和趋化因子（即CCL2，CXCL10）。相反，M2巨噬细胞的产生主要由IL-4和/或IL-13（1）等2型细胞因子诱导。M2样巨噬细胞的特征是伤口愈合活性增加，吞噬作用降低和T细胞抗原表现能力（2，3）。最近的发现表明，人类巨噬细胞在稳定状态和病理条件下是高度异质的，这表明了上下文和组织依赖性方法在欣赏其生物学特性的重要性。
对巨噬细胞在癌症免疫疗法中作用的新见解
巨噬细胞是肿瘤微环境的主要组成部分，它们与血液中的单核细胞有所不同，并在癌症发展中起重要作用。肿瘤相关巨噬细胞（TAMS）可以通过调节程序性细胞死亡配体1表达并与肿瘤微环境中的其他免疫细胞相互作用，从而促进肿瘤的生长，侵袭，转移和对抗编程死亡受体1治疗的抵抗。但是，如果正确激活，巨噬细胞也可以通过增强肿瘤细胞的吞噬作用和细胞毒性来发挥抗肿瘤作用。tam与免疫疗法治疗的患者的预后和耐药性不佳有关，表明巨噬细胞是癌症治疗中联合治疗的有吸引力的靶标。靶向TAM和免疫疗法的组合克服了耐药性，并在某些癌症中取得了出色的效果，这可能是未来癌症治疗的有前途的策略。在此，我们回顾了有关巨噬细胞在肿瘤发育，转移和免疫疗法中作用的最新发现。我们主要关注以巨噬细胞为中心的治疗，包括耗尽和重编程TAM的策略，这些策略代表了改善肿瘤免疫疗法效率的潜在靶标。
对COVID-19疫苗的审查：临床试验的阶段，动作方式和功效
摘要冠状病毒疾病（Covid-19）是最近发现的冠状病毒引起的一种传染病。该病于2019年底首次在中国武汉报道，已导致171万人全球死亡，感染超过7700万。疾病的常见症状包括发烧，干咳嗽和疲劳。本文献综述旨在总结以下主题：审查对9次COVID-19疫苗进行的临床试验，并通过疫苗临床开发过程的三个阶段进行疗效和作用方式。分析通过三个试验遵循单个疫苗，检查和分析了提取的结果，以确定其含有严重的急性呼吸综合征（SARS-COV-2）的能力。四种COVID-19疫苗已被批准用于世界各地，许多其他疫苗都在临床试验1、2和3中使用。总而言之，在临床试验中，这些疫苗在不久的将来为与Covid-19作斗争提供了巨大的希望。
具有深层生成模型的扩散加权磁共振大脑图像的现实产生
深度学习方法有可能减轻放射科医生处理繁琐的，耗时的任务，例如检测和细分病理病变[1]，但是在医学成像的背景下对神经网络的培训面临着主要的挑战：它们需要训练大量图像，因为这是很难获得的，因为在许多方面都可以限制医疗信息，并且由于许多方面的范围限制了其他方面的范围。此外，虽然在世界各地的医院数据库中可以提供相对较大的医学图像，但这些图像是未标记的，并且不同的机构以派遣和不均匀的方式保存医疗图像，这使得它们在较大的数据库中收集它们。在这种情况下，从头开始生成医学图像的方法可能引起人们的极大兴趣。生成建模是机器学习的一个子字段，它在产生新的高质量自然图像（例如面部照片[2]）方面具有令人印象深刻的精力[2]，并应用于语音综合[3]和磁共振图像重建等任务[4]。如果可以教导生成模型来产生现实且多样化的新医学图像，那么它们将具有很有吸引力的潜力，可以显着增加可用于深神经网络培训的图像数量，因此可以帮助提高这些网络的准确性[5-7]。
胸部MRI图像的定量分析，用于良性恶性诊断肺固体结节
方法：招募了总共333例肺结核（训练队列中的233例，在验证队列中为100例）。从MRI图像（CE T1W和T2W）中提取了总共2,824个放射线特征。逻辑回归（LR），幼稚的贝叶斯（NB），支持向量机（SVM），随机森林（RF）和极端梯度提升（XGBOOST）分类器用于构建预测模型，并在应用最佳预测模型后为每个患者获得了放射线学分数（RAD分数）。临床因素和RAD分数共同基于多元逻辑回归分析构建了一个nom图模型，并使用接收器操作特征曲线（AUC）下的区域评估了五个预测模型的诊断性能。