XiaoMi-AI文件搜索系统
World File Search System法伯
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
皮尔法伯实验室宣布 Atara Biotherapeutics 已提交 Tabelecleucel (Tab-cel®) 生物制剂许可申请，用于治疗
法国卡斯特尔 – 2024 年 5 月 20 日 – 皮尔法伯实验室今天宣布，T 细胞免疫疗法领域的领导者 Atara Biotherapeutics (ATARA) 已向美国食品药品监督管理局 (FDA) 提交 Tabelecleucel (Tab-cel®) 生物制品许可申请，用于治疗 Epstein-Barr 病毒阳性移植后淋巴增生性疾病，该申请适用于单一疗法治疗 2 岁及以上的成人和儿童 Epstein-Barr 病毒阳性移植后淋巴增生性疾病 (EBV+ PTLD) 患者，这些患者至少接受过一次先前治疗。对于实体器官移植患者，除非化疗不合适，否则先前治疗包括化疗。在这种治疗环境下，没有 FDA 批准的疗法。“面临复发或难治性 EBV+ PTLD 的患者的治疗选择有限，不幸的是，他们的生存期通常以周或月来衡量。提交 BLA 是向美国患者提供 Tab-cel® 迈出的重要一步。我们祝贺我们的合作伙伴 ATARA 取得这一重大成就，现在我们专注于为可能的 FDA 审查和批准做准备，”Pierre Fabre Pharmaceuticals Inc. 首席执行官 Adriana Herrera 表示，该公司是 Pierre Fabre Medical Care 在美国的新子公司。Tab-cel® 是一种同种异体、EBV 特异性 T 细胞免疫疗法，可靶向并消除 EBV 感染的细胞。 BLA 得到了 430 多名接受 Tab-cel® 治疗的多种危及生命的疾病患者的数据支持，包括最新的关键 ALLELE 研究数据 Tab-cel® 在成人和两岁及以上儿童中，在实体器官移植 (SOT) 或造血细胞移植 (HCT) 后复发或难治性 EBV+ PTLD 患者中的应用 根据 ATARA 和 Pierre Fabre Laboratories 于 2023 年 11 月宣布的重新声明的全球独家许可协议条款，ATARA 负责监管程序，直到 BLA 转让给 Pierre Fabre。预计 2025 年第一季度将获得 FDA 批准并将 BLA 从 ATARA 转让给 Pierre Fabre。Tab-cel® 于 2022 年 12 月获得欧盟委员会 (EC) 授予的 Ebvallo™ 品牌营销授权。英国药品和保健产品管理局于 2023 年 5 月和瑞士 Swissmedic 于 2023 年 5 月也授予了营销授权