XiaoMi-AI文件搜索系统
World File Search System放射线
验证血浆细胞外囊泡PD-L1的多素模型和用于预测NSCLC免疫疗法反应的放射线学
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。Creative Commons公共领域奉献豁免（http://creativecommons.org/publicdomain/zero/zero/1.0/）适用于本文中提供的数据，除非在信用额度中另有说明。
2025; 16（6）：2001-2014。 doi：10.7150/jca.105171研究论文一种机器学习模型，利用CT放射线特征和外周血炎症
目的：研究机器学习模型的价值，该模型在预测接受PD-1抑制剂的不可切除的食管鳞状细胞癌（ESCC）患者的预后中整合了放射性特征和外周血炎症标志物的预后。方法：进行了回顾性收集，涉及105例无法切除的ESSC患者，他们在2020年1月至2023年8月在中国科学和技术大学的第一家附属医院接受了PD-1抑制剂以及同时进行的化学放疗。这些患者被随机分为训练集（n = 74）和验证集（n = 31）。放射素学特征，并使用Pearson相关和Lasso-Cox方法进行了特征选择。基线临床特征，并在免疫疗法开始之前和治疗后4-6周内收集血液学参数，以计算炎症标记。随后，使用多元COX比例危害模型鉴定了影响患者预后的独立放射素学特征，并将这些特征纳入基于临床特征的多元COX模型中，以得出结合放射线和临床特征的独立预后因素。根据涉及临床特征，放射线特征和联合指标的COX分析结果，构建了拟议图以预测患者的2年无进展生存期（PFS）。使用ROC曲线和校准曲线对模型进行评估和评估。结果：在训练队列中，临床模型的AUC为0.705，放射素模型为0.573，合并模型为0.834。在验证队列中，临床模型的AUC为0.784，放射素模型为0.775，合并模型为0.872。结论：整合放射素特征NGTDM-busyness，炎症标记δNLR和临床特征M级的组合模型为患者的2年PFS提供了最佳的预测值。
PARP抑制剂和放射线在体外增强肝细胞死亡。肝细胞癌是否有跟腱？
Laetitia Gerossier 1†，AnaëlleDubois1†，Alexia Paturel 1，Nadim Fares 1 **，Damien Cohen 1，Phillippe Merle 1,2，Joel Lachuer 1,3，Joel Lachuer 1,3，Anne Wierinckx 1,3，Anne Wierinckx 1,3，Pierre Saintigny 1,4，Brigits Brigite Bande Bancel 5 BérengèreOuine 8，AurélieCartier 8，Leanne de Koning 8，Vincent Puard 8，Ivan Bieche 7，Hector Hernandez-Vargas 1，Janet Hall 1，Isabelle Chemin 1*。1。Lyon，Claude Bernard Lyon 1 University，Inserm，CNRS，CenterLéonBérard，里昂里昂癌症研究中心，里昂，69008，法国。 2。 北部医院集团肝病学系，里昂里昂的民用临时医院，69000法国3。 profefxpert，sfr-est，CNRS UMR-S3453，Inserm US7，Lyon Cedex 08，F-69373，法国4。Lyon，Claude Bernard Lyon 1 University，Inserm，CNRS，CenterLéonBérard，里昂里昂癌症研究中心，里昂，69008，法国。2。北部医院集团肝病学系，里昂里昂的民用临时医院，69000法国3。profefxpert，sfr-est，CNRS UMR-S3453，Inserm US7，Lyon Cedex 08，F-69373，法国4。法国里昂中心莱昂·贝拉德（CenterLéonBérard）医学肿瘤学系5.解剖学服务，东医院集团，里昂里昂的民用临终关怀医院，69000，法国6。解剖学和病理细胞学极点IUC肿瘤CHU大学图卢兹癌研究所 - 肿瘤，图卢兹，F -31059，法国7。遗传学系，库里研究院，PSL研究大学，巴黎，F-75005，法国8。法国PSL研究大学的转化研究系，法国F-75005
在脑肿瘤中使用放射线学的前景
抽象放射素学是诊断的新方向，可以确保更有效地利用医疗设备，减少医生在患者上花费的时间，并提高各种医学领域的鉴别诊断准确性。审查提供了有关肿瘤学中放射组学和放射基因组学的一般信息，近年来该领域的研究结果特别关注这些方法在神经肿瘤学中的作用，并解决了脑肿瘤诊断的问题。上述研究结果关于神经肿瘤学中的放射组学和放射基因组学表明这些技术的毫无希望，但是，与其他医学和生物学领域一样，不能完全排除错误，并且参与其中的专家团队的任务是最小化这一概率。简介
方法论放射学评分（指标）：Eusomii认可的放射线研究质量评分工具
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。
叙事评论整合了FDG-PET/CT，放射线学和...
通过部署荧光脱氧葡萄糖 - 质子发射断层扫描/计算机断层扫描（FDG-PET/CT）成像来区分炎症性和肿瘤病变，对于准确的诊断和患者管理肿瘤学是必要的。这些实体之间的代谢活动造成了挑战，这可能会使解释和阻碍诊断确定性变得复杂。本评论全面探讨了成像参数，例如最大和峰标准化吸收值（Suvmax和Suvpeak），突出了它们在临床实践中的优势和局限性。它进一步详细阐述了整合高级成像方式的添加价值，例如正电子发射断层扫描/磁共振成像（PET/MRI），提供了出色的软组织对比度，功能性见解和在复杂病例中增强的诊断准确性。此外，从这些新兴技术如何优化病变表征并降低观察者的变异性的方面讨论了人工智能（AI）和放射线学的作用。此外，通过整合定量分析，解剖成像特征和相关的临床数据，提出了一种临床算法，用于病变分化，以提供实际指导。该实用指导使临床医生拥有必要的工具，以在其实践中运用知识。
制造用于医疗设备开发的放射线，载有药物的可吸收聚合物
图4。在10-12周内释放了放射性，机械强度，Gadolinium（GD）和二吡啶胺（DPA）的纵向监测。（a）在Hounsfield单元（HU）中测量的放射性量，随着时间的流逝逐渐减少，反映了机械强度（B）的降低趋势，被评估为千克（kg）的损耗。（c，d）GD和DPA含量显示出稳定的减少，反映了它们在研究期间的受控释放。PPDO，聚-P-二恶酮。
弥合基于MRI的放射线学的差距
放射线学取决于提取各种基于图像的特征来提供决策支持。磁共振成像（MRI）有助于对患者护理的个性化，但高度依赖于获取和重建参数。今天，在放射线学背景下对MR图像的最佳预处理没有指南，这对于公布基于图像的签名至关重要。本研究旨在评估MRI中通常使用的三种不同强度归一化方法（NYUL，Whitestripe，Z-Score）的影响，以及两种强度离散化方法（固定的BIN大小和固定的BIN数字）。对这些方法的影响进行了评估对从脑MRI提取的一阶放射素学特征，从而为未来的放射线学研究建立了统一的方法。使用了两个独立的MRI数据集。第一个（DataSet1）包括20名患有II级和III Gliomas的机构患者，他们接受了对比后3D轴向T1加权（T1W-GD）和T2加信的轴向T2加权流体衰减反转反转恢复（T2W-FLAIR）序列（T2W-FLAIR）序列（T2W-FLAIR）在两个不同的MR设备上（1.5 T和3.0 T和3.0 T and）。Jensen -Shannon差异用于比较标准化前后的强度直方图对。使用一致性相关系数和阶层内相关系数分析了两个采集之间一阶和二阶特征的稳定性。强度归一化高度提高了一阶特征的鲁棒性和随后的分类模型的性能。从公共TCIA数据库中提取第二个数据集（DataSet2），其中包括108例WHO II级和III级神经胶质瘤的患者，以及135例WHO IV级胶质母细胞瘤的患者。使用五种完善的机器学习算法，根据肿瘤等级分类任务（平衡精度测量）评估了归一化和离散方法的影响。For the T1w-gd sequence, the mean balanced accuracy for tumour grade classification was increased from 0.67 (95% CI 0.61–0.73) to 0.82 (95% CI 0.79–0.84, P = .006), 0.79 (95% CI 0.76–0.82, P = .021) and 0.82 (95% CI 0.80–0.85, P = 。005）分别使用NYUL，Whitestripe和Z得分归一化方法，而没有归一化。相对离散化使得不必要地将强度归一化用于二阶放射线学特征。即使离散化的垃圾箱对分类表现有很小的影响，也获得了良好的妥协
使用Operando Neutron放射线照相监视铅酸电池函数
1 Applied Physics II系，科学技术学院，UPV / EHU，Sarriena区Z / G，48940，Leioa，Basque < / div>