XiaoMi-AI文件搜索系统
World File Search Systemradiotherapy
放疗和肿瘤学
背景和目的：本研究评估了使用定量光谱计算机断层扫描（CT）参数鉴定肺癌中淋巴结转移（LM）的使用。材料和方法：关于使用光谱CT诊断至2022年9月诊断的肺癌中LM的文献，从PubMed，Embase，Cochrane图书馆，科学网络，中国国家知识基础设施和Wanfang数据库中取回。根据包含和排除标准严格筛选了文献。提取数据，进行质量评估，并评估异源。计算了归一化碘浓度（NIC）和光谱衰减曲线（K HU）的汇总灵敏度（SEN），特异性山脉（SPE），阳性似然比（+LR），-LR和诊断优势比（DOR）。使用了受试者接收器操作特性（SROC）曲线，并计算了曲线下的面积（AUC）。结果：11项研究，包括1,290例，没有明显的出版偏见。在八篇文章中，动脉相（AP）中NIC的合并为0.84（SEN = 0.85，SPE = 0.74， +LR = 3.3，LR = 0.20，DOR = 16），而NIC在静脉相（VP）中的NIC为0.82（SEN = 0.78，SPE = 0.72）。此外，K Hu（AP）的合并AUC为0.87（SEN = 0.74，SPE = 0.84， +LR = 4.5，LR = 0.31，DOR = 15），而K Hu（VP）的AUC为0.81（SEN = 0.62，SPE，SPE = 0.81）。淋巴结（LN）短轴直径最后排名，合并的AUC为0.81（SEN = 0.69，SPE = 0.79）。结论：光谱CT是确定肺癌LM的合适无创且具有成本效益的方法。2023作者。此外，AP中的NIC和K HU具有良好的歧视能力，比直径短，为术前评估提供了宝贵的基础和参考。由Elsevier B.V.放射疗法和肿瘤学出版183（2023）109643这是CC BY-NC-ND许可（http://creativecommons.org/licenses/by-nc-nc-nc-nd/4.0/）下的开放访问文章。
放疗和肿瘤学
背景和目的：在激素受体阳性（HR+）人表皮生长因子2阴性（HER2-）乳腺癌中添加细胞周期蛋白依赖性激酶4/6抑制剂（CDK4/6I）中的内分泌治疗，导致了整体生存的练习改变。但是，有关于CDK4/6i与放射疗法的安全性的冲突数据，并且没有共识准则可以指导实践。我们进行了荟萃分析，以评估CDK4/6i放射疗法治疗的安全性和可行性。材料和方法：在PubMed/Medline，Web of Science和Scopus中进行了全面的搜索，以研究接受CDK4/6I的晚期/转移性乳腺癌，并提供有关毒性发生的提供的安全数据。主要结果是安全性（3-5级不良事件），CDK 4/6i剂量降低以及由于毒性引起的停用率。结果：包括1133例HR+/HER2-乳腺癌患者的15例研究。其中，有617分接受了CDK4/6i和放射疗法；中位随访时间为17.0个月（IQR 9.2 - 18.0），中位年龄为58.8岁（IQR 55.5 – – 62.5）。The pooled prevalence of severe hema- tologic toxicity was 29.4% (95% CI 14.0% – 47.4%; I 2 = 93%; s 2 = 0.084; p < 0.01 and severe non- hematologic toxicity was 2.8% (95% CI 1.1% – 4.8%; I 2 = 0%; s 2 = 0.0; p = 0.67).The pooled prevalence of CDK4/6i dose reduction was 24.0% (95% CI 11.1% – 39.4%; I 2 = 90%; s 2 = 0.052; p < 0.01) with no dif- ference between CDK4/6i plus RT vs. CDK4/6i (odds ratio of 0.934; 95% CI 0.66 – 1.33; I 2 = 0%; s 2 = 0.0; p = 0.56）。2023作者。由于毒性导致的CDK4/6i停用的汇总患病率为2.3％（95％CI 0.4％ - 5.2％； I 2 = 23％； S 2 = 0.002; P = 0.24）。结论：这项研究的发现表明，除了在乳腺癌患者中进行CDK4/6i治疗外，放疗通常是安全且耐受性良好的，并且仍然是可行的治疗选择。由Elsevier B.V.放射疗法和肿瘤学出版187（2023）109839这是CC下的开放式访问文章（http://creativecommons.org/licenses/4.0/）。
放射治疗和肿瘤学
目标：本研究旨在探索多中心数据异质性对深度学习脑转移瘤 (BM) 自动分割性能的影响，并评估增量迁移学习技术，即不遗忘学习 (LWF)，在不共享原始数据的情况下提高模型通用性的有效性。材料和方法：使用了来自埃尔朗根大学医院 (UKER)、苏黎世大学医院 (USZ)、斯坦福大学、加州大学旧金山分校、纽约大学 (NYU) 和 BraTS Challenge 2023 的总共六个 BM 数据集。首先，分别针对单中心专项训练和混合多中心训练建立 DeepMedic 网络的 BM 自动分割性能。随后评估了隐私保护双边协作，其中将预训练模型共享到另一个中心以使用迁移学习 (TL) 进行进一步训练（带或不带 LWF）。结果：对于单中心训练，在各自的单中心测试数据上，BM 检测的平均 F1 分数范围从 0.625（NYU）到 0.876（UKER）。混合多中心训练显著提高了斯坦福大学和纽约大学的 F1 分数，而其他中心的提高可以忽略不计。当将 UKER 预训练模型应用于 USZ 时，在组合 UKER 和 USZ 测试数据上，LWF 获得的平均 F1 分数 (0.839) 高于朴素 TL (0.570) 和单中心训练 (0.688)。朴素 TL 提高了灵敏度和轮廓绘制精度，但损害了精度。相反，LWF 表现出值得称赞的灵敏度、精度和轮廓绘制精度。当应用于斯坦福大学时，观察到了类似的性能。结论：数据异质性（例如，不同中心的转移密度、空间分布和图像空间分辨率的变化）导致 BM 自动分割的性能不同，对模型的通用性提出了挑战。LWF 是一种很有前途的点对点隐私保护模型训练方法。
欧洲放射治疗学会和
意大利佛罗伦萨大学实验和临床生物医学科学系“M Serio”（I Meattini MD、A Morandi PhD、Prof L Livi MD）；意大利佛罗伦萨 Careggi 大学医院肿瘤学系放射肿瘤学部（I Meattini、C Becherini MD、V Salvestrini MD、L Visani MD、Prof L Livi）；意大利佛罗伦萨癌症研究、预防和临床网络研究所癌症风险因素和生活方式流行病学部（S Caini PhD）；英国剑桥大学肿瘤学系（Prof CE Coles FRCR）；西班牙巴塞罗那国际乳腺癌中心、Pangaea Oncology、Quironsalud Group 和 Medical Scientia Innovation Research（J Cortes MD）；西班牙马德里欧洲大学医学系生物医学与健康科学学院（J Cortes）；意大利米兰 IRCCS 欧洲肿瘤研究所新药和创新疗法早期药物开发部（G Curigliano 教授，医学博士）；意大利米兰大学肿瘤学和血液肿瘤学系（G Curigliano 教授）；比利时布鲁塞尔 Jules Bordet 研究所和布鲁塞尔自由大学（E de Azambuja 医学博士）；英国伦敦癌症研究所乳腺癌研究中心（CM Isacke 教授，博士）；德国慕尼黑大学医院妇产科乳腺中心和 CCCMunich
用于经济实惠的放射治疗的玻璃
基于 Al O -SiO -YO 体系的玻璃成分选自 Al O -SiO -YO 相图（图 1）的玻璃形成区，其标准是 YO 负载量最大以及玻璃具有良好的耐热性和耐化学性。采用高纯度初始化学成分（Al O（纯度 99.9%，New Met）、SiO（纯度 99.5%，Leico）和 YO（纯度 99.9%，Otto Kemi））制备优化成分 40Y O -20Al O -40SiO（wt.%）的玻璃。对每种氧化物的称量精度为 ±0.002 克。在制备过程中采取措施避免任何交叉污染。使用标准熔融淬火技术制备玻璃。将所有成分混合并彻底研磨，并在 110°C 下放置一夜，以去除混合和研磨过程中吸收的任何水分。将配料放入 Pt-Rh 坩埚中，在电加热升降 (RL) 熔炉中以 1650°C 加热。搅拌熔体并在熔化温度下保持足够的时间，以均匀混合并去除所有气泡以获得透明熔体。之后，将熔体从炉中取出，并用最佳温度淬火
放射治疗中的人工智能
人们认为人工智能 (AI) 的概念源于机器人的概念。随着生物合成机器在劳动中的使用越来越多，这一概念变得越来越突出。人工智能可以定义为机器模仿人类智能的能力。根据应用，人工智能可以分为两个分支：虚拟和物理。物理组件可以体现在医疗设备、复杂机器人（护理机器人）和行动不便的辅助机器人中。虚拟组件可以体现在机器学习中。机器学习是一种通过经验学习的数学算法。1 对于医生来说，患者护理的两个最重要因素是知识和经验。由于时间限制，人类在通过收集大量数据进行学习方面受到限制。在人类学习过程中，知识和经验都是必需的，并且是在一生的职业生涯中获得的。计算机可以使用算法来获得更多的经验，并且在比人类短得多的时间内存储数据。一名放射科医生将在 40 年内查看大约 225,000 次 MRI/CT 检查，而人工智能可以从 225,000 次扫描开始进行自我训练，并在 40 年内完成数百万次扫描。