肿瘤免疫疗法在多种恶性肿瘤的临床治疗上取得了显著效果,然而还是存在大部分患者对于免疫疗法没有响应的问题。为了更好的理解肿瘤和免疫细胞相互作用,科学家对来自TCGA和其他几个大型肿瘤研究项目,共20种实体瘤的NGS数据进行分析。TCIA研究发表在Cell Rep(1区,IF9.423分)上:
癌症图像档案 (The Cancer Imaging Archive,TCIA)是一项可以de-identify和托管可供公众下载的大量癌症医学图像的服务。
前面介绍了通过 RNAseq|oncoPredict 药物反应预测,+基因,+分型,+模型 的联合可视化 预测患者对 小分子药物的反应。那如果预测当前临床治疗上常用的免疫疗法(PD1, PD-L1 ,CTLA4)反应呢?
TCIA is a service which de-identifies and hosts a large archive of medical images of cancer accessible for public download. The data are organized as “Collections”, typically patients related by a common disease (e.g. lung cancer), image modality (MRI, CT, etc) or research focus. DICOM is the primary file format used by TCIA for image storage. Supporting data related to the images such as patient outcomes, treatment details, genomics, pathology, and expert analyses are also provided when available.
TSNAdb是一个肿瘤特异性新抗原的数据库,从TCGA和TCIA数据库中收集了16种肿瘤共7748个肿瘤样本的体细胞突变和HLA alleles信息,然后分别使用NetMHCpan v2.8和NetMHCpan v4.0两款软件来预测突变的肽段与HLA之间的亲和力,对应的文章链接如下
肿瘤免疫疗法在多种恶性肿瘤的临床治疗上取得了显著效果,然而还是存在大部分患者对于免疫疗法没有响应的问题。为了更好的理解肿瘤和免疫细胞相互作用,科学家对来自TCGA和其他几个大型肿瘤研究项目,共20种实体瘤的NGS数据进行分析,对应文章链接如下
英文标题:Development of a CD8+ T cell associated signature for predicting the prognosis and immunological characteristics of gastric cancer by integrating single-cell and bulk RNA-sequencing 期刊:Sci Rep. 2024 Feb 24;14(1):4524. 影响因子:2区4.6 DOI: 10.1038/s41598-024-54273-9. 研究领域:免疫治疗;单细胞
基于深度学习算法,来自麻省总医院等机构的研究者可以全自动地从MRI图像中分割脑胶质瘤,其效果与专家手工分割不相上下。该研究发表在最近的Neuro-Oncology期刊上。
异柠檬酸脱氢酶(Isocitrate dehydrogenase, IDH)突变状态已成为神经胶质瘤的重要预后标志。当前,可靠的IDH突变诊断需要侵入性外科手术。该研究的目的是使用T2加权(T2w)MR图像开发高度精确的、基于MRI的、基于体素的深度学习IDH分类网络,并将其性能与基于多模态数据的网络进行比较。研究人员从癌症影像档案馆(The Cancer Imaging Archive,TCIA)和癌症基因组图谱(The Cancer Genome Atlas,TCGA)中获得了214位受试者(94位IDH突变,120位IDH野生型)的多参数脑MRI数据和相应的基因组信息。他们开发了两个单独的网络,其中包括一个仅使用T2w图像的网络(T2-net)和一个使用多模态数据(T2w,磁共振成像液体衰减反转恢复序列(FLAIR)和T1 postcontrast)的网络(TS-net),以执行IDH分类任务和同时进行单标签肿瘤分割任务。本文使用3D的Dense-UNets的架构。使用三折交叉验证泛化网络的性能。同时使用Dice系数评估算法分割肿瘤的精度。T2-net在预测IDH突变状态任务上表现出97.14%±0.04的平均交叉验证准确率,灵敏度为0.97±0.03,特异性为0.98±0.01,曲线下面积(AUC)为0.98±0.01。TS-net的平均交叉验证准确性为97.12%±0.09,灵敏度为0.98±0.02,特异性为0.97±0.001,AUC为0.99±0.01。T2-net的肿瘤分割Dice系数的平均得分为0.85±0.009,TS-net的肿瘤分割Dice系数的平均得分为0.89±0.006。
今天将分享全身PET/CT病灶分割完整实现版本,为了方便大家学习理解整个流程,将整个流程步骤进行了整理,并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
一个基于TCGA数据库,不需要注册登录即可进行可视化分析的网页,不需要代码,里面内容十分丰富,提供了最详细的TCGA在线分析展示。
CIBERSORT should enable large-scale analysis of RNA mixtures for cellular biomarkers and therapeutic targets (http://cibersort.stanford.edu/).
上面的论文formulate the data parameter and curriculum learning approach as a modification altering the logits input of the loss function.
随着计算机算法呈指数式增长,人工智能(AI)方法有望提高医学诊断和治疗方法的精确度。影像组学方法在神经肿瘤学领域中的应用一直并可能继续处于这场革命的前沿。应用于常规和高级神经肿瘤学MRI数据的各种AI方法已经能够识别弥漫性胶质瘤的浸润边缘,区分假性进展和真实进展,并且比日常临床实践中使用的方法更好地预测复发和生存率。影像基因组学还将促进我们对癌症生物学的理解,允许以高空间分辨率对分子环境进行无创采样,从而能够对潜在异质性细胞和分子过程的系统理解。通过提供空间和分子异质性的体内标记物,基于人工智能的影像组学和影像基因组学工具有可能将患者分为更精确的初始诊断和治疗途径,并在个性化医疗时代实现更好的动态治疗监测。尽管仍存在重大挑战,但随着人工智能技术的进一步发展和临床应用的验证,在影像学实践中将发生巨大变化。
胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性、不同的预后和不同的组织学亚区,即瘤周水肿/瘤周浸润侵犯组织,坏死组织,增生活跃的组织,非强化的组织。这种内在的异质性也表现在它们的影像学表型上,因为它们的亚区域通过多参数磁共振成像(mpMRI)扫描中不同强度分布来描述,反映了不同的生物学特性。它们的形状、范围和位置的不均匀性是导致这些肿瘤难以切除的一些因素,在某些情况下甚至无法手术。在纵向扫描中,在评估表观肿瘤的潜在预后诊断时,需要切除肿瘤的数量也是一个考虑因素。此外,越来越多的证据表明,精确分割各种肿瘤亚区域可以为定量图像分析提供基础,从而预测患者的总体生存率。本研究评估了2012-2018年国际脑肿瘤分割(BraTS)挑战赛最后七次比赛中,mpMRI扫描中用于脑肿瘤图像分析的最新机器学习(ML)方法。具体而言,我们关注:
乳腺癌患者的总生存率存在显著的异质性。目前的评估模型不足以准确预测患者的预后,也缺乏预测治疗反应的模型。
大家好,今天和大家分享的是今年3月份发表在Cancers (IF:6.126)杂志上的一篇文章,The Impact of Normalization Approaches to Automatically Detect Radiogenomic Phenotypes Characterizing Breast Cancer Receptors Status”,作者希望通过不同归一化方法处理影像学相关表型数据后,不同机器学习方法对于鉴别乳腺癌受体状态的性能情况。
相关文章:LIDC-IDRI肺结节公开数据集Dicom和XML标注详解 ---- 一、数据源 训练数据源为LIDC-IDRI,该数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。该数据是由美国国家癌症研究所(National Cancer Institute)发起收集的,目的是为了研究高危人群早期癌症检测。 该数据集中,共收录了1018个研究实例。对于每个实例中的图像,都由4位经验丰富的胸部放射科医师进行两阶段的诊断标注。在第一阶段,每位医师分别独立诊断并标注病患位置,其中会标注三中
金融 美国劳工部统计局官方发布数据:http://dataju.cn/Dataju/web/datasetInstanceDetail/139 沪深股票除权除息、配股增发全量数据,截止 2016.12.31 http://dataju.cn/Dataju/web/datasetInstanceDetail/344 上证主板日线数据,截止 2017.05.05,原始价、前复权价、后复权价,1260支股票 http://dataju.cn/Dataju/web/datasetInstanceDetail/340
美国劳工部统计局官方发布数据:http://dataju.cn/Dataju/web/datasetInstanceDetail/139
影像组学描述了从影像图像中提取定量特征的一系列计算方法。其结果常常被用于评估影像诊断,预后以及肿瘤治疗。然而,在临床环境中,优化特征提取和快速获取信息的方法仍然面临重大挑战。同样重要的是,从临床应用角度,预测的影像组学特征必须明确地与有意义的生物学特征和影像科医生熟悉的定性成像特性相关联。在这里,我们使用跨学科的方法来强化影像组学的研究。我们通过提供基于新的临床见解的计算模型(例如,计算机视觉和机器学习)来探究脑肿瘤影像学研究(例如,潜在的图像意义)。我们概述了当前定量图像特征提取和预测方法,以及支持临床决策不同水平的可行的临床分类。我们还进一步讨论了机器学习未来可能面临的挑战和数据处理方法,以推进影像组学研究。本文发表在American Journal of Neuroradiology杂志。
生物与计算机的结合让生物进入大数据时代,为方便管理各种生物数据,科学家们开发了各式各样的生物数据库。了解与自己研究领域相关的数据库,并加以利用可能会使研究工作得到事半功倍的效果。在此将常用数据库按照以下分类方式大致整理了一下,方便检索。
【1】 nnFormer: Interleaved Transformer for Volumetric Segmentation 标题:nnFormer:用于体积分割的交错Transformer 链接:https://arxiv.org/abs/2109.03201
【1】 HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning 标题:HMSG:基于元路径子图学习的异构图神经网络 链接:https://arxiv.org/abs/2109.02868
【1】 DProST: 6-DoF Object Pose Estimation Using Space Carving and Dynamic Projective Spatial Transformer 标题:DProST:基于空间雕刻和动态投影空间变换的6-DOF目标位姿估计 链接:https://arxiv.org/abs/2112.08775
领取专属 10元无门槛券
手把手带您无忧上云