XiaoMi-AI文件搜索系统
World File Search System个体化
Amtagvi CC-0259（pdf）。
概述 本文件介绍了 Amtagvi (lifileucel) 的使用，这是一种一次性自体肿瘤浸润淋巴细胞 (TIL) 细胞疗法，该疗法使用从患者肿瘤组织中回收的 TIL 在 22 天的集中制造过程中产生数十亿个多克隆患者特异性 TIL。单次输注 lifileucel 后，TIL 会迁移到全身的肿瘤部位，在那里识别并靶向大量个体化的肿瘤相关新抗原并介导肿瘤细胞裂解。Amtagvi 已获得 FDA 加速批准，用于治疗先前用 PD-1 阻断抗体治疗过的不可切除或转移性黑色素瘤成年患者，如果 BRAF V600 突变呈阳性，则使用 BRAF 抑制剂（联合或不联合 MEK 抑制剂）。定义和措施同种异体细胞：从组织相容性供体中收获。自体细胞：从个体自身细胞中收获。化疗：使用药物或其他化学药品对疾病（尤其是癌症）进行医学治疗。完全缓解 (CR)：治疗后癌症的所有症状消失；也称为完全缓解；并不表示癌症已被治愈。细胞毒性：破坏细胞的治疗，阻止其繁殖或生长。ECOG 或东部肿瘤协作组体能状态：医生和研究人员使用的量表和标准，用于评估个体疾病的进展情况、评估疾病如何影响个体的日常生活能力以及确定适当的治疗和预后。该量表也可称为 WHO（世界卫生组织）或 Zubrod 评分，其基于以下量表：
肺癌治疗的进展与挑战
系统评价摘要肺癌是第二大常见的非皮肤癌，也是全球癌症死亡的主要原因，是一个全球性的健康问题。本研究旨在通过 PubMEd 数据库中的系统评价探讨肺癌治疗中的挑战和进展。选定了 2021 年至 2024 年之间的 15 篇出版物。10 篇论文针对非小细胞肺癌，5 篇论文针对小细胞肺癌。已有建议对这两种类型的疾病采用化疗、免疫疗法和靶向疗法。非小细胞肺癌的治疗包括基因组和蛋白质组分析以确定潜在靶点、免疫检查点抑制剂、了解转移的生物学基础、手术和个性化治疗计划。挑战包括确定目标基因改变、开发有效的药物和组合、克服耐药性、更好的生物制造商、毒性、对免疫抑制剂的耐药性、获得治疗的不平等。小细胞癌可以用酪氨酸抑制剂结合免疫疗法、药物/基因递送至部位/靶点、识别在肿瘤中高度均质且稳定表达的特定靶点来治疗。挑战包括放弃治疗、疾病的复杂性、不接受疾病进展。研究结论是，尽管肺癌的治疗取得了众多进展，但并没有统一的标准，每个患者都需要进行个体化调整。医患沟通可能是提供个性化癌症治疗的关键。关键词：治疗，肺癌，小细胞，非小细胞。
人工智能决策技术在医疗保险覆盖范围确定中的作用
执行摘要 人工智能 (AI) 驱动的决策工具在医疗保健领域有多种应用，从诊断患者到协助商业保险经纪人进行医疗保险购物过程。本文重点介绍涉及医疗保健利用管理 (UM) 的人工智能工具。此类工具可自动化医疗审查和事先授权流程、指导急性后护理并影响入院和出院计划。根据医疗保险宣传中心的经验，人工智能决策工具可能会促使提供者做出比医疗保险覆盖指南更严格的授权或继续护理决定。虽然大多数人工智能决策工具声称只提供并非旨在替代临床或医学判断或医疗保险法的建议，但根据该中心的经验，用户通常会实施工具的建议，而不会对其对患者的影响进行任何严格检查。换句话说，通常就像工具自己做出相关决定一样。在 UM 流程中使用这些工具可能会导致 Medicare 受益人的保险和护理过早终止，包括违反 Jimmo v. Sebelius 集体诉讼和解中澄清的专业护理保险标准的拒绝。1 虽然 Medicare 要求在某些护理环境中对每个受益人的保险资格进行个体化评估，但 AI 工具会根据患者之前的经验提供建议性决策。这忽略了当前患者病情的细微差别和个性。通常，计划、提供者和受益人并不完全了解这些工具的开发和使用范围。临床医生和计划依赖这些工具，但许多问题仍未得到解答。这部分是由于以 UM 为中心的 AI 决策工具的专有性质，这使得公众无法理解和质疑其结果。
在人工智能框架中使用放射基因组学进行脑肿瘤表征
摘要：脑肿瘤表征（BTC）是通过肿瘤分割、分类、检测和风险分析等各种方法了解脑肿瘤的根本原因及其特征的过程。实质性的脑肿瘤表征包括识别各种有用基因组的分子特征，这些基因组的改变会导致脑肿瘤。放射组学方法通过在人工智能（AI）环境中提取定量放射组学特征来利用放射图像进行疾病表征。然而，当考虑到更高级别的疾病特征，例如遗传信息和突变状态时，“放射组学和基因组学”的综合研究已被视为“放射基因组学”的范畴。此外，放射基因组学环境中的人工智能提供了个性化治疗和个体化医疗等最终结果等好处/优势。本研究借助统计观察和偏倚风险 (RoB) 分析，总结了脑肿瘤在新兴研究领域（即 AI 环境中的放射组学和放射基因组学）中的特征。使用 PRISMA 搜索方法，在 IEEE、Google Scholar、PubMed、MDPI 和 Scopus 中找到了 121 项与本综述相关的研究。我们的研究结果表明，放射组学和放射基因组学都已成功应用于多种肿瘤学应用，具有众多优势。此外，在 AI 范式下，传统和深度放射组学特征都对 BTC 放射基因组学方法的有利结果产生了影响。此外，偏倚风险 (RoB) 分析通过提供其中涉及的偏差，可以更好地理解具有 AI 更强优势的架构。
在人工智能框架中使用放射基因组学进行脑肿瘤表征
摘要：脑肿瘤表征（BTC）是通过肿瘤分割、分类、检测和风险分析等各种方法了解脑肿瘤的根本原因及其特征的过程。实质性的脑肿瘤表征包括识别各种有用基因组的分子特征，这些基因组的改变会导致脑肿瘤。放射组学方法通过在人工智能（AI）环境中提取定量放射组学特征来利用放射图像进行疾病表征。然而，当考虑到更高级别的疾病特征，例如遗传信息和突变状态时，“放射组学和基因组学”的综合研究已被视为“放射基因组学”的范畴。此外，放射基因组学环境中的人工智能提供了个性化治疗和个体化医疗等最终结果等好处/优势。本研究借助统计观察和偏倚风险 (RoB) 分析，总结了脑肿瘤在新兴研究领域（即 AI 环境中的放射组学和放射基因组学）中的特征。使用 PRISMA 搜索方法，在 IEEE、Google Scholar、PubMed、MDPI 和 Scopus 中找到了 121 项与本综述相关的研究。我们的研究结果表明，放射组学和放射基因组学都已成功应用于多种肿瘤学应用，具有众多优势。此外，在 AI 范式下，传统和深度放射组学特征都对 BTC 放射基因组学方法的有利结果产生了影响。此外，偏倚风险 (RoB) 分析通过提供其中涉及的偏差，可以更好地理解具有 AI 更强优势的架构。
动态大脑相互作用的网络建模预测支持人类认知行为的神经信息的出现
摘要 认知任务行为如何通过大脑网络交互产生是神经科学的一个核心问题。回答这个问题需要开发新颖的分析工具，这些工具首先可以高空间和时间精度捕获任务信息的神经特征（“何时何地”），然后允许对将信息与行为联系起来的大脑功能的替代网络模型进行实证测试（“如何”）。我们概述了一种适合此目的的新型网络建模方法，该方法适用于人类的非侵入性功能性神经成像数据。我们首先通过将 MRI 个体化源脑电图与多元模式分析相结合，动态解码人脑中任务信息的时空特征。然后，一种新开发的网络建模方法——动态活动流建模——模拟了任务引起的活动在更具因果解释（相对于标准功能连接方法）的静息态功能连接（动态、滞后、直接和定向）上的流动。我们通过应用此建模方法阐明大脑感觉运动信息流背后的网络过程，揭示行为背后的经验反应信息动态的准确预测，证明了此建模方法的实用性。将模型扩展到模拟网络病变表明认知控制网络 (CCN) 是反应信息流的主要驱动因素，从早期背侧注意网络主导的感觉到反应转换过渡到后期反应选择过程中的协作 CCN 参与。这些结果证明了动态活动流建模方法在识别神经认知现象背后的生成网络过程方面的实用性。关键词：信息、解码、MVPA、功能连接、EEG、源建模
中国东部健康居民 2 型糖尿病风险预测的列线图模型：一项为期 14 年的 15,166 名参与者的回顾性队列研究
摘要 背景 风险预测模型有助于识别 2 型糖尿病高风险个体。然而，在中国东部地区，尚未将此类模型应用于临床实践。目的 本研究旨在基于体检数据开发一种简易模型，识别中国东部地区 2 型糖尿病高危人群，以进行预测、预防和个性化医疗。方法 对 15,166 名每年进行体检的非糖尿病患者（12-94 岁；37% 为女性）进行了 14 年的回顾性队列研究。构建多元逻辑回归和最小绝对收缩和选择算子 (LASSO) 模型，用于单变量分析、因子选择和预测模型构建。校准曲线和受试者工作特征 (ROC) 曲线用于评估列线图的校准和预测精度，并使用决策曲线分析 (DCA) 评估其临床效度。结果 本研究中 2 型糖尿病的 14 年发病率为 4.1%。本研究开发了预测2型糖尿病风险的列线图，校准曲线显示该列线图具有良好的校准能力，内部验证中ROC曲线下面积（AUC）显示统计准确性（AUC = 0.865）。最后，DCA支持该列线图的临床预测价值。结论该列线图可作为一种简单、经济、可广泛推广的工具来预测中国东部地区2型糖尿病的个体化风险。早期成功识别和干预高危个体有助于从预测、预防和个性化医疗的角度提供更有效的治疗策略。
临床测序可确定脐尿管腺癌和原发性膀胱腺癌发生率高的潜在可操作改变
从个体化治疗的角度来看，了解驱动肿瘤发展和赋予特定疗法反应的分子机制以及基因改变至关重要。在过去的几年中，尽管研究的病例和基因数量仍然有限，但 UrC 的突变模式得到了深入研究。大多数研究集中在 RAS/PI3K 信号通路中的基因，并经常发现 KRAS 基因中反复出现的突变。此外，NF1、GNAS、NRAS 和 PIK3CA 突变也被反复检测到。10,11,15–19 考虑到这些重叠的改变，UrC 的基因组背景似乎与 CRC 相似。另一方面，我们也发现了一些特征性差异，因为 APC 基因在 UrC（10%）中受影响的频率远低于在 CRC（80%）中。此外，15% 的 CRC 中可检测到微卫星不稳定性，但在 UrC 中很少发现。 20基于这些发现，与CRC相比，UrC代表了相似但明显不同的分子模式。关于PBAC遗传背景的数据要少得多，主要显示MAPK或Wnt通路基因的改变。16,21因此，需要进一步研究以更详细地了解UrC和PBAC的分子背景。基因组分析临床实施中缺少的另一个步骤是缺乏系统的方法来解释其指导治疗干预的潜力。因此，在这项多中心研究中，我们使用一个大型、市售的下一代测序面板对UrC和PBAC样本进行了基因组分析，该面板包含161个癌症相关基因。此外，为了确定潜在有效的药物，使用基于证据的决策支持工具进行临床解释。
临床测序可确定脐尿管腺癌和原发性膀胱腺癌发生率高的潜在可操作改变
从个体化治疗的角度来看，了解驱动肿瘤发展和赋予特定疗法反应的分子机制以及基因改变至关重要。在过去的几年中，尽管研究的病例和基因数量仍然有限，但 UrC 的突变模式得到了深入研究。大多数研究集中在 RAS/PI3K 信号通路中的基因，并经常发现 KRAS 基因中反复出现的突变。此外，NF1、GNAS、NRAS 和 PIK3CA 突变也被反复检测到。10,11,15–19 考虑到这些重叠的改变，UrC 的基因组背景似乎与 CRC 相似。另一方面，我们也发现了一些特征性差异，因为 APC 基因在 UrC（10%）中受影响的频率远低于在 CRC（80%）中。此外，15% 的 CRC 中可检测到微卫星不稳定性，但在 UrC 中很少发现。 20基于这些发现，与CRC相比，UrC代表了相似但明显不同的分子模式。关于PBAC遗传背景的数据要少得多，主要显示MAPK或Wnt通路基因的改变。16,21因此，需要进一步研究以更详细地了解UrC和PBAC的分子背景。基因组分析临床实施中缺少的另一个步骤是缺乏系统的方法来解释其指导治疗干预的潜力。因此，在这项多中心研究中，我们使用一个大型、市售的下一代测序面板对UrC和PBAC样本进行了基因组分析，该面板包含161个癌症相关基因。此外，为了确定潜在有效的药物，使用基于证据的决策支持工具进行临床解释。
慢性淋巴细胞白血病细胞的三维共培养模型...
慢性淋巴细胞白血病 (CLL) 细胞扩散到支持性组织微环境中。为了研究白血病细胞组织保留的机制，我们开发了一个三维骨髓 (BM) 微环境，可在生物反应器内的支架内重现 CLL 和 BM 基质细胞之间的相互作用。我们的系统可以并行分析支架内保留的 CLL 细胞以及在有/无药剂的情况下释放的 CLL 细胞，分别模拟组织和循环细胞区室。只有在存在微环境元素的情况下，CLL 细胞才能保留在支架内，这些微环境元素通过直接接触下调 CLL 细胞中 HS1 细胞骨架蛋白的表达。与此一致，从患者 BM 中获得的 CLL 细胞中 HS1 的表达低于外周血中循环的 CLL 细胞。此外，我们证明，尽管存在依鲁替尼，但 HS1 失活、细胞骨架活性受损和表型更具侵袭性的 CLL 细胞更有可能保留在支架内，而依鲁替尼的动员作用主要作用于具有活性 HS1 的细胞，从而产生动态的细胞骨架活性。这种差异效应在传统的二维系统中是无法评估的，可能是单个 CLL 克隆产生独特耐药性的原因。值得注意的是，在依鲁替尼治疗期间在患者外周血中动员的 CLL 细胞表现出活化的 HS1，强调我们的模型能够可靠地反映体内情况。本文描述的三维模型适用于重现和识别关键的 CLL-BM 相互作用，为病理生理学研究和以个体化方式评估新型靶向疗法开辟了道路。