XiaoMi-AI文件搜索系统
World File Search System放射线
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
1 专题讨论会 1) 基因组功能完整性 ① Kyoko Miura ...
通过对放射线诱发癌症的基因组分析，揭示出特征性基因异常。 ⑤ Ritsu Sakata（放射线效应研究基金会），流行病学
辐射肿瘤学研究务虚会，2024年5月4日，星期六，上午7:30，下午12:00
重新审查持续的同源性和经典放射线特征/探索HCC临床预测建模中的放射线整合的比较分析 - Jalen Crump
X. 常见脊椎矫正放射线视图的描述和功效 建议 19 种常见脊椎矫正放射线视图和运动评估程序适用于脊椎半脱位生物力学成分的常规定性和/或定量评估。这些放射线视图具有可靠性、有效性和临床结果数据，证明了它们在临床脊椎矫正实践中的临床实用性。使用这些放射线视图和程序时，应在开始脊椎矫正治疗干预之前确定脊椎半脱位机械成分的基线值。通过这种方式，可以确定对护理的反应。
然而，PCCRP 小组的立场是，由于大多数脊椎按摩临床医生使用射线照相术（见第 III 和 IV 节）来确定特定干预的禁忌症、脊椎半脱位类型（如第 V 节所定义）和确切的治疗干预，因此举证责任应放在那些希望限制脊椎按摩术中使用射线照相术的人身上。换句话说，Whalen 8 和其他人有责任证明，不使用射线照相术时的患者安全性和结果是相同的，与在所有可能的患者表现中将其用于特定脊椎按摩干预时相比。不幸的是，没有证据表明，与使用脊柱射线照相术相比，在脊椎按摩临床实践中不使用脊柱射线照相术时的结果有所改善或相当。因此，射线照相术是标准。
基于多模式的基于机器学习模型，用于区分非结核分枝杆菌与结核分枝杆菌
结果：基于临床数据的模型包含年龄，性别和IL-6，而RandomForest算法则达到了最佳学习模型。确定了CT图像的两个关键放射线特征，然后用于建立放射线模型，发现Logistic算法的模型是最佳的。多模型模型包含年龄，IL-6和2个放射线特征，最佳模型来自LightGBM算法。与最佳的临床或放射线学模型相比，最佳的多模型模型具有最高的AUC值，准确性，灵敏度和负预测值，并且在外部测试数据集中还验证了其“优惠性能”（准确性= 0.745，敏感性= 0.900）。此外，多模型模型的性能优于放射科医生，NGS检测和现有机器学习模型的性能，其精度分别为26％，4和6％。
定量成像（放射线学）和人工智能在精确肿瘤学中的新作用
癌症是致命的疾病，是全球第二大死亡的原因。癌症治疗是一个复杂的过程，需要一种基于多模式的方法。癌症检测和治疗始于筛查/诊断，并一直持续到患者还活着。筛查/诊断疾病是癌症管理的开始，并且继续进行疾病的分期，计划和提供治疗，治疗监测以及持续的监测和随访。成像在癌症管理的所有阶段都起着重要作用。常规肿瘤学实践认为，所有患者在疾病类型中均相似，而生物标志物亚群则是一种疾病类型的患者，这会导致精确肿瘤学的发展。放射线过程的利用促进了在精确肿瘤学中找到应用的各种成像生物标志物的进步。过去，许多研究人员研究了成像生物标志物和人工智能（AI）在肿瘤学中的作用。现有文献暗示了成像生物标志物和AI在肿瘤学中的作用的日益增加。但是，也对放射线特征的稳定性也受到质疑。放射线群落已经认识到，放射线特征的不稳定性对基于放射素的预测模型的全球概括构成了危险。为了在肿瘤学中建立基于放射素的成像生物标志物，需要优先建立放射线特征的鲁棒性。这是因为在一个机构中开发的放射线模型在其他机构中经常表现不佳，这很可能是由于放射性特征不稳定性所致。为了概括肿瘤学中的基于放射素的预测模型，包括定量成像网络（QIN），定量成像生物标志物联盟（QIBA）和图像生物标记标准化计划（IBSI）的许多计划已发起以稳定辐射特征。
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。