XiaoMi-AI文件搜索系统
World File Search Systemgastric
胃组织疾病中的深度学习：系统评价
近年来的抽象背景，深度学习在医学图像分析中引起了极大的关注，因为它提供了与专家相当的结果，并且在某些情况下可以超越它们。尽管出现了有关胃组织疾病的深度学习研究，但很少有深入的评论解决了这一主题。方法，我们通过数字组织学，内窥镜检查和放射学图像进行了与深度学习在胃组织疾病分析中的应用有关的系统综述。结论本评论强调了用于胃癌，溃疡，胃炎和非恶性疾病的深度学习研究中的高潜力和缺点。我们的结果证明了通过深度学习应用的胃组织分析的有效性。此外，我们还确定了评估指标的差距和图像收集的可用性，从而影响了实验性可重复性。
胃癌中的非编码 RNA：对耐药性的影响
胃癌是全球第四大常见恶性肿瘤，也是癌症相关死亡的第三大原因。晚期胃癌患者可显著受益于化疗，包括阿霉素、铂类药物、5-氟尿嘧啶、长春新碱和紫杉醇以及靶向治疗药物。然而，原发性耐药或获得性耐药最终导致胃癌患者治疗失败和预后不良。胃癌耐药的详细机制已被揭示。有趣的是，不同的非编码 RNA (ncRNA)，如微小 RNA (miRNA)、长链非编码 RNA (lncRNA) 和环状 RNA (circRNA)，与胃癌发展密切相关。多种证据表明，ncRNA 在胃癌对化疗药物和靶向治疗药物的耐药性中起着至关重要的作用。在这篇综述中，我们系统地总结了 ncRNA 影响胃癌耐药性的新兴作用和详细分子机制。此外，我们提出了 ncRNA 作为胃癌新治疗靶点和预后生物标志物的潜在临床意义。
基于模型的西妥昔单抗治疗胃癌细胞系的反应和耐药因素分析
靶向癌症疗法是化疗的有力替代方法，或可作为化疗的补充。然而，靶向治疗的反应取决于多种因素，包括突变和表达水平，因此很难预测其结果。在这里，我们开发了一个胃癌机制模型来研究西妥昔单抗治疗的反应和耐药因素。该模型捕获了两种具有不同突变模式的胃癌细胞系中的 EGFR、ERK 和 AKT 信号通路。我们使用全面的时间和剂量反应测量选择来训练模型，并提供参数和预测不确定性的评估。我们证明所提出的模型有助于识别细胞系之间的因果差异。此外，我们的研究表明，该模型可以预测对不同扰动（例如敲低和敲除实验）的反应。除其他结果外，该模型还预测了 MET 突变对西妥昔单抗敏感性的影响。这些预测能力使该模型成为评估胃癌信号的基础，并可能成为开发和发现预测生物标志物的基础。
达沙替尼靶向治疗胃癌的分子靶点识别
尽管靶向治疗已有若干进展，但胃癌 (GC) 仍然是癌症相关死亡的第三大原因。因此，迫切需要研究新的治疗策略，包括识别用于患者分层的新型生物标志物。在本研究中，我们评估了 FDA 批准的激酶抑制剂对 GC 的影响。通过结合细胞生长、迁移和侵袭试验，我们确定达沙替尼是 GC 增殖的有效抑制剂。基于质谱的选择性分析和随后的敲低实验确定了 SRC 激酶家族成员（包括 SRC 、 FRK 、 LYN 和 YES ）以及其他激酶（如 DDR1 、 ABL2 、 SIK2 、 RIPK2 、 EPHA2 和 EPHB2 ）是达沙替尼的靶点。在 200 例接受胃切除术但未接受任何治疗的患者的分类肿瘤样本中，在 RNA 和蛋白质水平上研究了所鉴定激酶的表达水平。无论肿瘤分期如何，转移性患者样本中 FRK、DDR1 和 SRC 的 mRNA 和蛋白质表达水平均显著升高，而 SIK2 的表达水平与肿瘤大小相关。总之，我们的数据表明达沙替尼可用于治疗 GC，因为它具有独特的特性，可抑制 GC 患者中高表达的少数关键激酶（SRC、FRK、DDR1 和 SIK2）。
人工智能的反馈提高了初级内镜医师对胃病变组织学预测的学习
使用人工智能辅助图像分类器对初级内镜医师进行胃病变组织学预测培训的初步效果。方法 在具有五个卷积层和三个完全连接层的卷积神经网络上构建人工智能图像分类器，通过 2,000 个未放大的内镜胃图像训练 Resnet 主干。独立验证集由来自 100 个胃病变的另外 1,000 个内镜图像组成。六名初级内镜医师审查了验证集的第一部分，然后向其中三名（A 组）披露人工智能的预测，而其余三名（B 组）未提供此信息。所有内镜医师都独立审查了验证集的第二部分。结果 AI 的总体准确率为 91.0 %（95 % CI：89.2 – 92.7 %），敏感度为 97.1 %（95 % CI：95.6 – 98.7 %），特异度为 85.9 %（95 % CI：83.0 – 88.4 %），ROC 曲线下面积 (AUROC) 为 0.91（95 % CI：0.89 – 0.93）。在两个验证集中，AI 的准确度和 AUROC 均优于所有初级内镜医师。在第二个验证集中，A 组内镜医师的表现有所提高，但 B 组内镜医师没有提高（准确度为 69.3 % 到 74.7 %；P = 0.003）。结论 训练后的 AI 图像分类器可以准确预测胃病变中是否存在肿瘤成分。人工智能图像分类器的反馈还可以加快初级内窥镜医师预测胃病变组织学的学习曲线。