XiaoMi-AI文件搜索系统
World File Search System肾小球
jak抑制剂阻止肾小球细胞中的jak/stat/apol1信号传导和人类肾脏器官的足细胞病
引言肾功能衰竭是Covid-19感染的毁灭性并发症。急性肾脏损伤（AKI）复杂的住院和70％的入院和70％的入院率复杂，进而将死亡率风险增加30％至50％（1，2）。肾脏活检病例系列显示，崩溃的肾小球病是COVID-19-与AKI相关的最常见的组织病理学诊断（3）。Covid-19-19-相关的肾病（Covan;也称为COVID-19-相关倒塌的glomerulop- achy）的独特特征是对携带2种载脂蛋白L1（apoL1）的2种风险等位基因的黑人（3，4）。2个风险等位基因（命名为G1和G2）作为APOL1基因中的编码变体出现，并针对非洲锥虫病进行了判断。然而，G1G1，G2G2或G1G2的运输（是高风险基因型）增加了肾脏疾病频谱的风险，并解释了黑人人群非肾脏肾脏疾病的多种过量风险（5-8）。估计有13％的黑人携带高风险的APOL1基因型（7）。在199日大流行期间，研究人员发现，在高风险APOL1基因型的携带者中，有92％的活检证实的Covan病例是，其中有61％在介绍时需要透析（3，9）。这些发现建立了APOL1变体，作为COVID-19健康结果中种族差异的主要因素。尽管这种令人印象深刻的关联，但将高危Apol1 Geno-类型连接到SARS-COV-2感染的细胞机制和Covan崩溃的肾小球病的发病机制仍然未知。高风险APOL1基因型和Covan之间的强烈流行病学关联导致假说，即在足细胞和肾小球内皮细胞（GECS）中coVID-19诱导Apol1 G1或G2的表达 - 在崩溃的肿瘤性肿瘤性疾病中受到collopapsing glomerulopathy persosiss covan covan covan covan covan covan covan。
辉瑞治疗后出现局灶节段性肾小球硬化症...
2019 冠状病毒病 (COVID-19) 疫苗表现出了出色的安全性。最常见的短期副作用是注射部位反应、发烧、疲劳和头痛，而严重不良反应的报道很少 [1]。然而，自大规模接种疫苗以来，已报告了几种免疫介导反应（包括心肌炎和新发或复发性肾小球肾炎 [GN]）[1]。据报道，COVID-19 疫苗还可诱导 T 细胞活化 [2]。在这方面，接种 COVID-19 疫苗后发生肾脏疾病可能与其对病毒信使 RNA (mRNA) 产生的 T 细胞介导的免疫反应有关，而这种免疫反应可引发足细胞损伤 [2]。在此，我们报告了一例局灶性节段性肾小球硬化 (FSGS) 病例，该病例在接种第一剂辉瑞-BioNTech COVID-19 疫苗后出现节段性小叶塌陷和足细胞增生，模仿 FSGS 的细胞病变。
病例报告：开始 Ado-Trastuzumab Emtansine 治疗后发生塌陷性局灶节段性肾小球硬化症
Ado-trastuzumab emtansine (T-DM1) 是一种抗体 - 药物偶联物，由单克隆抗体曲妥珠单抗与具有潜在抗肿瘤活性的美登木素 DM1 连接而成，获批用于治疗人表皮生长因子受体 2 (HER2) 阳性乳腺癌。美国食品药品监督管理局 (FDA) 不良事件报告系统的分析发现，曲妥珠单抗的肾脏不良事件为 124/1,243 (10%)。但是，尚无已发表的病例报告描述与曲妥珠单抗或 T-DM1 的肾毒性相关的肾活检结果。我们报告了一例在开始 T-DM1 治疗后因塌陷性局灶节段性肾小球硬化 (FSGS) 和肾小管损伤而出现肾病范围蛋白尿的病例的肾活检结果。在系统排除其他原因后，观察到的塌陷性 FSGS 可能与之前开始的 T-DM1 治疗有关。停止 T-DM1 治疗 3 周后，无需进一步特殊治疗，蛋白尿和肾功能得到改善的临床过程进一步支持了这一观点。总之，我们提供了第一份关于塌陷性 FSGS 导致开始 T-DM1 治疗后出现肾病范围蛋白尿的病例的肾活检结果报告。由于 T-DM1 被广泛使用，这个问题尤其重要，肾病学家必须意识到这种可能罕见但严重的并发症。
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法