肿瘤大小不是一切:推动影像组学作为肿瘤学药物开发和临床护理的精准医学标志物

在当今的肿瘤学临床实践和药物开发领域,对肿瘤反应的评估方法正处于革新的边缘。自1981年世界卫生组织(WHO)提出用于评估抗癌药物效果的肿瘤反应分类标准以来,这一领域经历了多次改进。最为人们熟知的,是1995年成立的响应评估标准在实体瘤(RECIST)工作组。该工作组通过与加拿大国家癌症研究所、美国国家癌症研究所以及欧洲癌症研究和治疗组织的合作,建立了基于大量病例数据的循证推荐,推动了RECIST 1.0和1.1版本的发布,这些版本在确定客观响应率等影像学终点方面发挥了重要作用。 然而,随着对肿瘤生物学更深入的理解和诊疗策略的不断演进,传统的依赖大小和数量变化的评估方法显示出其局限性,这就需要新的方法来填补这一空缺。为此,RECIST工作组于2022年5月组织了一次多学科工作坊,聚焦于探讨放...

用于脑肿瘤切除的基于机器学习的定量高光谱图像引导

用于脑肿瘤切除的基于机器学习的定量高光谱图像引导

机器学习辅助的定量高光谱成像在脑肿瘤切除中的指导作用研究 背景介绍 恶性胶质瘤的完全切除一直受到肿瘤细胞在浸润区难以区分的挑战。这项研究的背景是:在神经外科手术中,通过使用5-氨基乙酰丙酸(5-aminolevulinic acid,简称5-ALA),可以实现原卟啉IX(protoporphyrin IX,简称PPIX)的荧光引导,从而提高肿瘤的切除率。然而,即使在光谱成像的帮助下,许多低级别胶质瘤和一些高级别肿瘤由于PPIX的低积累,显示出较弱的荧光,这使得肿瘤更难区分。因此,了解不同类别肿瘤组织中的PPIX发射光谱,以及如何利用这些光谱进行分类,具有重要意义。 论文来源 这篇论文发表于《Communications Medicine》期刊(2024年),文章标题为“Towards mac...

基于深度学习的高效自监督对比学习在超声心动图自动诊断中的应用

深度学习在超声心动图自动化诊断中的新突破:对比自监督学习方法的研究报告 研究背景 随着人工智能和机器学习技术的快速发展,它们在医学影像诊断领域发挥着越来越重要的作用。特别地,自监督学习(Self-Supervised Learning, SSL)在处理标签数据稀缺的问题上展示出了显著的效果,这在获取医学影像标签困难和昂贵的情况下具有重要意义。通常,大多数的自监督学习方法都没有针对包含丰富时间信息的视频影像,如超声心动图,进行特别适配和优化。因此,开发出一种针对超声心动图视频的自监督对比学习方法,以提升在小型标签数据集上的自动化医学影像诊断性能,显得尤为迫切和重要。 研究来源 此研究由Gregory Holste、Evangelos K. Oikonomou、Bobak J. Mortazav...

利用大型语言模型评估社交媒体上对胰高血糖素样肽-1受体激动剂的公众看法

在全球范围内,肥胖的流行趋势不断上升,给公共卫生带来了重大的影响。肥胖独立地与心血管疾病的发病率和死亡率相关联,估计每年将为卫生系统带来超过2000亿美元的经济负担。近年来,胰高血糖素样肽-1(GLP-1)受体激动剂因其在体重减轻和心血管风险降低中独立于糖尿病的作用而成为改变实践的治疗方案。在这一背景下,史丹福大学的Sulaiman Somani、Sneha S. Jain、Ashish Sarraju、Alexander T. Sandhu、Tina Hernandez-Boussard和Fatima Rodriguez等人展开了一项关于GLP-1受体激动剂在社交媒体上公众认知的研究,并在《Communications Medicine》2024年发布了他们的研究成果。 该研究采用了大型语...

炎症性肌肉疾病的细胞类型图揭示了包涵体肌炎中特定肌纤维的易感性

炎性肌病中肌纤维类型的异质性表征与包涵体肌炎的选择性易感性 随着年龄的增长,炎性肌病的发病率逐渐上升,其中包涵体肌炎(IBM)作为最常见的类型,目前尚无有效治疗方法。与其他炎性肌病不同,IBM呈慢性病程并具有炎症和退行性病理特征。更为复杂的是,引发IBM进展的因素与分子驱动因素尚不明确。为了深入研究该疾病,研究人员采用了单核RNA测序与空间转录组学,对患者的肌肉活检样本进行了细胞类型特异性驱动因素的绘图,以期比较IBM肌肉与免疫介导的坏死性肌病(IMNM)及无炎症的骨骼肌样本。 研究背景与目的 IBM是影响老年人群的最普遍炎性肌病,由于免疫反应和肌肉纤维退行性变化共同作用,导致逐渐丧失肌肉功能。然而,导致IBM的分子机制并不清楚。本研究旨在通过新型技术手段,揭示IBM病因,并为未来治疗策略提...

利用组织学切片预测低级别胶质瘤患者的整体生存率的有用特征研究

低级别胶质瘤患者总体生存预测的有用特征研究 学术背景 胶质瘤是一种脑内的肿瘤性生长,通常会对患者的生命构成严重威胁。在大多数情况下,胶质瘤最终会导致病人的死亡。胶质瘤的分析通常涉及在显微镜下观察脑组织形式的病理切片。尽管脑组织病理图像在预测病人总体生存率(OS,Overall Survival)方面具有很大的潜力,但由于脑组织病理的独特性,这些图像很少作为唯一的预测因素使用。利用病理图像预测早期胶质瘤患者的总体生存率对治疗和生活质量具有重要价值。在这项研究中,作者们探讨了使用深度学习模型结合简单描述数据(如年龄和胶质瘤亚型),来预测低级别胶质瘤(LGG,low-grade glioma)患者的总体生存率(OS)的可能性。 研究来源 这篇论文由Elisa Warner、Xuelu Li、Gan...

基于多参数MRI影像的脑胶质瘤分级预测方法的研究

《基于多参数MRI影像肿瘤内外放射组学特征预测胶质瘤等级》 研究背景 胶质瘤是中枢神经系统最常见的原发性脑肿瘤,占成年恶性脑肿瘤的80%。在临床实践中,治疗决策通常需要根据肿瘤的等级来进行个体化调整。世界卫生组织(WHO)将胶质瘤分为四个等级(I-IV),并将其进一步分类为低级别胶质瘤(LGG,I级和II级)和高级别胶质瘤(HGG,III级和IV级)。准确的胶质瘤分级对于制定治疗方案、实施个性化治疗以及预测预后和生存时间至关重要。目前,胶质瘤等级的诊断主要通过外科活检或组织病理学分析。然而,这种诊断方法具有侵入性且在某些情况下对患者不宜,因此急需一种非侵入性且高准确度的胶质瘤分级系统。 磁共振成像(MRI)已成为放射科医生在过去几年中诊断脑肿瘤的热门非侵入性手段。尽管有经验的放射科医生通过裸...

自注意相似性引导的图卷积网络用于多类型低级别胶质瘤分类研究

自注意相似性引导的图卷积网络用于多类型低级别胶质瘤分类研究

基于自注意力相似性引导的图卷积网络用于多类型低级别胶质瘤分类 一、研究背景 低级别胶质瘤是一种常见的恶性脑肿瘤,由大脑和脊髓中的胶质细胞癌变引起。胶质瘤具有发病率高、复发率高、死亡率高和治愈率低等特点。正确分类多类型低级别胶质瘤对患者的预后至关重要。在诊断上,医生通常利用磁共振成像(MRI)和计算机断层扫描(CT)分析胶质瘤细胞的异柠檬酸脱氢酶(IDH)突变状态。 IDH突变状态是区分野生型和突变型胶质瘤的重要标志。传统上需要通过活检或手术切除来进行免疫组织化学或基因测序,从而确定IDH突变状态。由于活检存在一定风险,因此开发无创预测IDH突变状态的计算机辅助诊断方法具有重要意义,可避免患者接受不必要的手术风险。 二、论文来源 该论文发表于IEEE生物医学与健康信息学期刊(IEEE Jour...

胶质瘤疾病预测:一种优化的集成机器学习方法

基于优化集成机器学习的胶质瘤疾病预测 论文背景与研究目的 在医学研究中,胶质瘤(gliomas)是最常见的原发性脑肿瘤,具有不同临床行为和治疗结果的多种癌症类型。胶质瘤患者预后的准确预测对治疗方案的优化和个性化患者护理至关重要。随着大规模基因组和临床信息的广泛可用,机器学习方法在创建可靠的胶质瘤预测模型方面展示了巨大潜力。本研究中的胶质瘤预测模型旨在通过集成多个机器学习算法(KStar 和 SMOReg)来提升胶质瘤预测的准确性和效率,从而为个性化医疗和改善患者预后提供帮助。 论文来源 这篇论文由 Jatin Thakur、Chahil Choudhary、Hari Gobind、Vipasha Abrol 和 Anurag 提交,他们均来自印度Mohali的Chandigarh Unive...

多模态解耦变分自编码器与博弈论解释用于胶质瘤分级

多模态解缠变分自编码器与博弈理论解释性在胶质瘤分级中的应用 背景介绍 在中枢神经系统中,胶质瘤是最常见的原发性脑肿瘤。根据细胞活动和侵袭性,世界卫生组织(WHO)将其分为I至IV级,其中I和II级称为低级别胶质瘤(LGG),III和IV级称为高级别胶质瘤(HGG)。在临床实践中,治疗决策通常需要针对不同的肿瘤级别进行个性化调整。因此,准确的胶质瘤分级对于治疗决策、个性化治疗以及患者预后的预测至关重要。目前,胶质瘤分级的金标准仍然是通过手术活检或组织病理学分析。然而,这种方法是侵入性的,并且不具有实时性,可能导致癫痫、感染甚至沿穿刺路线的肿瘤转移。因此,开发一种能够在术前无创且及时诊断胶质瘤级别的分级系统具有重要意义。 磁共振成像(MRI)广泛应用于胶质瘤患者的临床术前诊断、治疗决策和预后评估...