XiaoMi-AI文件搜索系统
World File Search System放射
用于肿瘤成像的叶酸受体靶向 PET 放射性药物的开发——从实验室到临床的历程
摘要：叶酸受体-α（FR-α）在许多上皮癌中过度表达，包括卵巢癌、子宫癌、肾癌、乳腺癌、肺癌、结肠癌和前列腺癌，但在肾脏、唾液腺、脉络丛和胎盘等正常组织中表达有限。因此，FR-α已成为向FR阳性肿瘤输送治疗剂和成像剂的有希望的靶点。已经开发了一系列基于叶酸的PET（正电子发射断层扫描）放射性药物，用于选择性靶向FR阳性恶性肿瘤。本综述概述了迄今为止关于叶酸衍生的PET放射性结合物的设计、放射合成和用于靶向FR阳性肿瘤的效用的研究进展。本文主要介绍了用氟-18（t 1 / 2 = 109.8 分钟）和镓-68（t 1 / 2 = 67.7 分钟）标记的叶酸放射性结合物的结果，但也讨论了用“外来”和新 PET 放射性核素标记的叶酸，例如铜-64（t 1 / 2 = 12.7 小时）、铽-152（t 1 / 2 = 17.5 小时）、钪-44（t 1 / 2 = 3.97 小时）、钴-55（t 1 / 2 = 17.5 小时）和锆-89（t 1 / 2 = 78.4 小时）。对于肿瘤成像，迄今为止报道的 PET 放射性标记叶酸中，除了 [ 18 F]AzaFol 之外，没有一种完成了从实验室到临床的旅程，该药物在一项多中心首次人体试验中成功用于转移性卵巢癌和肺癌患者。然而，在不久的将来，我们预计会有更多基于叶酸的 PET 放射性药物的临床试验，因为临床对成像和 FR 相关恶性肿瘤的治疗越来越感兴趣。
从实验室到临床的靶向放射治疗
摘要：靶向放射性核素治疗 (TRT) 的概念是准确有效地将辐射传送到播散性癌症病变，同时最大限度地减少对健康组织和器官的损害。成功开发用于 TRT 的新型放射性药物的关键方面是：i) 识别和表征癌细胞上表达的合适靶点；ii) 选择对癌细胞相关靶点表现出高亲和力和选择性的化学或生物分子；iii) 选择衰变特性与靶向分子特性和临床目的相符的放射性核素。瑞士保罗谢勒研究所的放射性药物科学中心 (CRS) 享有优越的地理位置，靠近独特的放射性核素生产基础设施（高能加速器和中子源），并可使用 C/B 型实验室，包括临床前、核成像设备和瑞士医药认证实验室，用于制备供人类使用的药物样品。这些有利条件允许生产非标准放射性核素，探索其生化和药理学特征以及对肿瘤治疗和诊断的影响，同时研究和表征新的靶向结构并优化这些方面以进行放射性药物的转化研究。通过与瑞士各临床合作伙伴的密切合作，最有前途的候选药物被转化为临床用于“首次人体”研究。本文通过介绍一些选定的项目，概述了 CRS 在 TRT 领域的研究活动。
I-AI：一种可控制、可解释的人工智能系统，用于解读放射科医生对准确 CXR 诊断的高度关注
摘要 在胸部 X 光 (CXR) 诊断领域，现有研究通常仅侧重于确定放射科医生的注视点，通常是通过检测、分割或分类等任务。然而，这些方法通常被设计为黑盒模型，缺乏可解释性。在本文中，我们介绍了可解释人工智能 (I-AI)，这是一种新颖的统一可控可解释流程，用于解码放射科医生在 CXR 诊断中的高度关注度。我们的 I-AI 解决了三个关键问题：放射科医生注视的位置、他们在特定区域关注的时间以及他们诊断出的发现。通过捕捉放射科医生凝视的强度，我们提供了一个统一的解决方案，可深入了解放射学解释背后的认知过程。与当前依赖黑盒机器学习模型的方法不同，这些方法在诊断过程中很容易从整个输入图像中提取错误信息，而我们通过有效地屏蔽不相关的信息来解决这个问题。我们提出的 I-AI 利用视觉语言模型，可以精确控制解释过程，同时确保排除不相关的特征。为了训练我们的 I-AI 模型，我们利用眼球注视数据集来提取解剖注视信息并生成地面真实热图。通过大量实验，我们证明了我们方法的有效性。我们展示了旨在模仿放射科医生注意力的注意力热图，它编码了充分和相关的信息，仅使用 CXR 的一部分即可实现准确的分类任务。代码、检查点和数据位于 https://github.com/UARK-AICV/IAI。1. 简介
放射性核素中子源发射的各向异性
电离辐射计量中心摘要。放射性核素中子源为各种中子测量装置提供了一种产生标准中子校准场的便捷方法。需要知道源的以下属性才能表征某一点的场：总中子发射率、中子能谱以及发射强度随角度的变化。假设光谱随角度的变化对于大多数应用而言可以忽略不计。放射性核素中子源的总发射率可以在国家物理实验室 (NPL) 通过硫酸锰浴技术绝对测量，或通过慢化探测器进行比较测量。各种常用源的中子能谱可在公开文献中找到。本报告描述了 NPL 用于测量放射性核素中子源各向异性发射的方法。给出了相对于各种源类型和封装的圆柱轴的测量中子角分布。还给出了使用蒙特卡洛传输代码 MCNP 计算的分布，这些分布通常与测量的分布具有良好的一致性。
用钇-90 微球对肝脏肿瘤进行放射栓塞治疗
放射栓塞术 (RE)，也称为选择性内放射治疗 (SIRT)，近年来逐渐被引入到临床的细胞减灭术中。越来越多的证据表明，RE 对各种实体的肝脏肿瘤有效，其中最突出的是肝细胞癌、结直肠癌和神经内分泌肿瘤。许多其他肿瘤实体（包括乳腺癌、胆管癌和胰腺癌）的肝转移对治疗敏感，即使对其他治疗方式（如温和栓塞、区域或全身化疗）有抵抗力。SIRT 的抗肿瘤作用与放射有关，而不是栓塞，在存活肿瘤部位选择性地获得极高的局部放射剂量，对周围正常肝组织的影响很小。RE 后的形态学变化可能会给传统的重新分期解释肿瘤活力和对治疗的真实反应带来困难。因此，功能成像，即对大多数接受治疗的肿瘤进行 18 F 氟脱氧葡萄糖正电子发射断层扫描 (计算机断层扫描) 代谢成像，被视为这方面的黄金标准，应纳入 SIRT 前后评估。为防止与强效抗肿瘤功效相关的严重毒性，细致的治疗前评估尤为重要。预测剂量的改进将有助于优化治疗和患者选择。核医学程序对于 RE 的计划、执行和监测至关重要。然而，对于这种特殊的治疗形式，必须强调患者管理的跨学科方面。随着 SIRT 从抢救指征发展到肝肿瘤疾病早期阶段的使用，以及新治疗方案和靶向疗法的出现，将 SIRT 嵌入多学科方法将变得更加重要。本文重点介绍治疗的选择、准备和执行以及治疗后监测和反应评估的程序和技术方面。Semin Nucl Med 40:105-121 © 2010 Elsevier Inc. 保留所有权利。
Johnson 诉咨询放射科医生有限公司 - 0:24-cv-02535
3 医疗保健系统和医疗设备面临网络入侵风险增加以获取经济利益 (2014 年 4 月 8 日)，FBI 网络部门私营行业通知（网址为 https://info.publicintelligence.net/FBI-HealthCareCyberInpulsion.pdf）（最后访问时间为 2023 年 3 月 14 日）。
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。
人工智能对临床放射学实践的影响
放射学实践高度依赖于技术，因此当前的创新和进步对这一快速发展的行业做出了重大贡献。从手动胶片处理到自动处理阶段，再到最近使用的数字日光图像处理的转变就是由于技术进步而发生的此类变化的一个例子。1 这些技术进步彻底改变了临床放射学的实践，特别是引入了横断面成像模式，如计算机断层扫描 (CT) 和磁共振成像 (MRI)。临床放射学实践的当前趋势包括整合人工智能 (AI) 和相关应用，以改善患者护理并加强该领域的研究。2,3 在资源匮乏且面临医疗基础设施不足等独特挑战的环境中，有必要讨论这些现代创新对临床放射学实践的未来影响。
人工智能与放射学：应对新冠肺炎难题
为了控制 COVID-19 疫情的蔓延，需要快速检测和诊断。虽然逆转录聚合酶链反应 (RT-PCR) 被用作诊断 COVID-19 的金标准方法，但许多科学家和医生指出，这种技术的变异性、准确性和可负担性存在一些挑战。与此同时，在中国疫情早期用于诊断 COVID-19 的放射学方法被许多人忽视，主要是因为它们的特异性低，难以进行鉴别诊断。然而，放射学方法的实用性不容忽视。事实上，在过去几个月里，印度的医疗顾问和放射科医生一直在使用或建议使用胸部高分辨率计算机断层扫描 (HRCT) 来早期诊断和追踪 COVID-19，特别是对于术前和无症状患者。与此同时，科学家们一直在尝试通过使用基于人工智能 (AI) 的解释模型来改进 COVID-19 诊断和监测的放射学方法。本综述旨在汇编和比较此类成果。为此，我们回顾并介绍了关于使用放射学和人工智能辅助放射学诊断和监测 COVID-19 的最新科学文献，强调了此类技术的优势和局限性。
COVID-19 的放射学发现：人工智能与放射科医生的比较
背景：随着 COVID-19 负担的加重，快速可靠的筛查方法势在必行。胸部 X 光片在快速分诊患者方面起着关键作用。不幸的是，在资源匮乏的环境中，训练有素的放射科医生很少。目的：本研究评估并比较人工智能 (AI) 系统与放射科医生在检测 COVID-19 胸部 X 光片发现方面的表现。受试者和方法：测试集包括三个月内 457 张疑似 COVID-19 肺炎患者的 CXR 图像。一位拥有 13 年以上经验的放射科医生和人工智能系统 (NeuraCovid，一款与人工智能模型 COVID-NET 配对的 Web 应用程序) 对 X 光片进行了评估。通过计算灵敏度、特异性和生成受试者工作特征曲线来比较人工智能系统和放射科医生的表现。RT-PCR 测试结果被用作金标准。结果：放射科医生的灵敏度和特异性分别为 44.1% 和 92.5%，而 AI 的灵敏度和特异性分别为 41.6% 和 60%。AI 系统将 CXR 图像正确分类为 COVID-19 肺炎的曲线下面积为 0.48，放射科医生为 0.68。放射科医生的预测优于 AI，P 值为 0.005。结论：放射科医生检测 COVID-19 肺部病变的特异性和灵敏度优于 AI 系统。