课程文献中心 更多>>

关键词： 抗肿瘤药物   临床试验   智能化   受试者招募  

摘要： 目的:探索建立抗肿瘤药物临床试验智能化数据平台,为提升临床试验管理和工作效率提供支撑。方法:集成医院信息系统、实验室信息系统、电子病历系统、影像存储与传输系统等多业务系统数据,根据抗肿瘤药物临床试验的特点建立通用标准数据集,利用自然语言处理技术对医疗语义信息进行结构化处理,使用机器学习模型深度挖掘数据价值,打造智能化数据平台。结果:构建的抗肿瘤药物临床试验智能化数据平台实现了项目管理、受试者招募、智能监查、在线影像传输、中心调研等功能。2021年5月至2025年4月,共884项临床试验项目利用平台进行在线管理,入组患者4158例,242项临床试验使用智能质控功能;68项临床试验使用受试者招募功能智能筛选患者2381例,入组292例,转化率12.3%;监查员完成1例次受试者监查的时间从6.5 h缩短至2.1 h,137项临床试验使用远程监查功能,远程监查次数达763次;在线导出影像资料28142项,平均每项影像传输时间为2 min;554项临床试验使用中心调研功能进行意向审查,每项审查平均耗时从2 h缩短至0.4 h。结论:抗肿瘤药物临床试验智能化数据平台的使用可有效提升受试者招募效率、提高监查效率、缩短影像数据传输时间、提升意向审查效率,为抗肿瘤药物临床试验的智能化管理提供工具。

关键词： 原发性肝癌   动态增强磁共振扫描   定量参数   肿瘤病理分级   诊断效能  

摘要： 目的研究动态增强磁共振扫描(DCE-MRI)参数评估原发性肝癌(PLC)患者肿瘤病理分级的效能及意义。方法选择2020年6月至2023年6月本院收治的80例PLC患者作为观察组,50例肝脏良性结节患者作为对照组。采用Edmondson-Steiners肿瘤病理分级法对观察组患者进行评估,Ⅰ级纳入轻度组(24例),Ⅱ~Ⅲ级纳入中度组(30例),Ⅳ级纳入重度组(26例)。所有患者均接受DCE-MRI检查,记录血管外细胞外体积(Ve)、血浆容积分数(V_(p))、转移常数(K^(trans))、流出速率(K_(ep))。绘制受试者工作特征(ROC)曲线,分析DCE-MRI参数诊断中重度PLC的价值。结果观察组V_(e)、V_(p)、K^(trans)、K_(ep)值高于对照组(均P<0.05),分别为(0.75±0.24)、(0.41±0.09)、(1.04±0.31)、(2.74±0.49),对照组V_(e)、V_(p)、K^(trans)、K_(ep)值分别为(0.43±0.12)、(0.24±0.07)、(0.63±0.17)、(1.58±0.34);轻度组V_(e)、V_(p)、K^(trans)、K_(ep)值分别为(0.53±0.17)、(0.27±0.07)、(0.84±0.19)、(1.93±0.45),中度组分别为(0.68±0.22)、(0.39±0.12)、(0.97±0.23)、(2.51±0.72),重度组分别为(0.91±0.29)、(0.51±0.16)、(1.15±0.29)、(3.18±0.85),轻度组的V_(e)、V_(p)、K^(trans)、K_(ep)值低于中度组和重度组,中度组的V_(e)、V_(p)、K^(trans)、K_(ep)值低于重度组(P<0.05)。ROC曲线分析显示,V_(e)、V_(p)、K^(trans)、K_(ep)值诊断中重度PLC的AUC分别为0.905(95%CI:0.846~0.964)、0.751(95%CI:0.639~0.830)、0.772(95%CI:0.674~0.870)、0.916(95%CI:0.871~0.961)。结论不同病理分级的PLC患者的DCE-MRI定量参数均存在一定差异,并且病理分级越高,其V_(e)、V_(p)、K^(trans)、K_(ep)值越大,临床可依据V_(e)、V_(p)、K^(trans)、K_(ep)等指标对患者的病理分级进行评估,效能较好。

关键词： 多模态MRI   脑肿瘤分割   注意力机制   Mamba   空间和通道注意力  

摘要： 脑肿瘤病变区域的有效管理依赖于对脑肿瘤图像的精确分割。现有方法对全局空间信息建模能力有限,且未能充分捕捉不同模态特征间的内在联系。基于此,提出了一种基于Mamba空间注意力和通道交互注意力单元的双路径脑肿瘤分割方法,该方法的网络编码器由一系列空间-通道双路注意力单元组成;此单元包括三个子模块:双向Mamba空间位置信息注意力模块,旨在增强网络对长依赖的建模能力,同时保持较低的计算负担;通道交互注意力模块能够学习不同模态间的特征关系,提高对通道信息的敏感性;最后使用两级融合模块整合子模块输出。所提方法在公开数据集BraTs21上达到84.29%(Dice)、88.08%(F_(1)-score)、75.80%(MIoU),优于多种主流分割方法,验证了该方法的有效性。

关键词： 肿瘤专科医院   医疗设备   效益分析  

摘要： 在国家推进公立医院高质量发展背景下,大型医疗设备作为医院的核心资产,其效益优化成为提升运营质量的关键。本研究以某肿瘤专科医院33台国产及进口大型医疗设备(直线加速器、螺旋CT、核磁共振、彩超)为例,在信息化的基础上,通过采集设备运行数据,搭建起涵盖设备工作效率、配置效率、成果效益和经济效益4方面的评价分析模型,为肿瘤专科医院优化设备资源配置、推进国产设备发展与应用以降低医疗成本、实现“提质增效”改革目标、推动高质量发展提供参考。

关键词： 丁酰化   恶性肿瘤   翻译后修饰  

摘要： 丁酰化(Kbu)作为一种重要的蛋白质翻译后修饰(PTM),通过调控蛋白的结构与功能,精细调控肿瘤细胞的多种生物学行为。丁酰化通过调控蛋白质稳定性、酶活性、细胞信号通路、染色质结构和基因表达,其异常促进肿瘤细胞增殖和迁移,进一步参与肿瘤发生发展。本综述重点阐述丁酰化修饰在多种人类肿瘤发生发展中的作用,旨在总结丁酰化修饰在肿瘤领域的研究进展,以期对丁酰化修饰的干预策略有望为肿瘤治疗提供新的方向。

关键词： 肺癌   诊断   病理分型   临床分期   肿瘤标志物  

摘要： 目的本研究旨在分析血清糖类抗原153(CA153)、鳞状细胞癌抗原(SCC)、神经元特异性烯醇化酶(NSE)、细胞角蛋白19可溶性片段(CYFRA21-1联合检测对肺癌的诊断价值,以及这些标志物与肺癌病理分型的关联。方法2019年1月至2021年8月期间,纳入我院112例孤立性肺结节患者,采集空腹血清样本测定上述四项指标水平。以穿刺活检病理诊断为金标准,对比单一指标与联合检测的诊断效能(灵敏度、特异度、准确率、阳性预测值、阴性预测值),分析肺癌与肺良性病变患者的指标差异,探讨不同病理分型、临床分期及淋巴结转移状态下的指标表达规律,并通过相关性分析明确标志物水平与肺癌病理特征的关系。结果112例患者病理确诊肺癌72例(小细胞肺癌25例、非小细胞肺癌47例)、非良性结节40例;临床分期I~II期43例、III~IV期29例;淋巴结转移24例、无转移48例。联合检测的诊断效能各项指标(灵敏度97.22%、特异度97.50%、准确率97.32%、阳性预测值98.59%、阴性预测值95.12%)均优于单一指标检测(P<0.05);肺癌患者四项血清指标水平均高于肺良性病变患者(P<0.05);小细胞肺癌患者的指标水平高于非小细胞肺癌患者(P<0.05);III~IV期患者指标水平高于I~II期患者(P<0.05);淋巴结转移患者指标水平高于无转移肺癌患者(P<0.05)。相关性分析表明,四项指标水平与肺癌病理分型、临床分期、淋巴结转移均呈正相关(P<0.05)。结论CA153、SCC、NSE、CYFRA21-1联合检测可高效诊断肺癌,且能辅助鉴别肺癌病理分型与临床分期,其表达水平与肺癌病理特征密切相关。

关键词： O-RADS   恶性风险指数   卵巢肿瘤  

摘要： 目的探讨卵巢-附件超声报告和数据系统(O-RADS)联合恶性风险指数(RMI)对卵巢肿瘤的诊断价值。方法回顾性分析2021年7月至2023年12月医院收治的80例卵巢肿瘤患者的临床资料,根据O-RADS将1~3类归为良性病变、4~5类归为恶性病变;将RMI=450作为良恶性鉴别的临界阈值,两者进行单一及联合诊断。以病理结果为金标准,比较O-RADS、RMI单一及联合检测对卵巢肿瘤的诊断效能。结果病理结果显示,33例为恶性,47例为良性。O-RADS检出恶性肿瘤34例,良性肿瘤46例。RMI检出恶性肿瘤31例,良性肿瘤49例。联合诊断检出恶性肿瘤32例,良性肿瘤48例。联合诊断的准确度、灵敏度、特异度及阳性预测值均高于单一诊断(P<0.05)。O-RADS、RMI单一及联合检测与金标准的Kappa值分别为0.55、0.48、0.90,其中联合检测的一致性较好(P<0.05)。结论O-RADS联合RMI能够显著提升卵巢肿瘤诊断效能,能够为临床决策提供支持。

关键词： 肿瘤相关性脑积水   发病机制   危险因素  

摘要： 肿瘤相关性脑积水是颅脑肿瘤病人严重的合并症之一,常见于后颅窝肿瘤,其发病机制复杂,临床表现多样,治疗策略及预后差异大,直接影响到病人的治疗效果和生活质量。本文从发病机制、肿瘤类型、治疗策略、肿瘤切除术后脑积水的危险因素以及预测模型等方面,对肿瘤相关性脑积水的研究进展进行综述,旨在为临床研究提供思路。

关键词： 皮肌炎   恶性肿瘤   预测模型   危险因素  

摘要： 目的研究成人皮肌炎(DM)合并恶性肿瘤的危险因素,并建立预测模型。方法选择2016年1月至2023年1月我院收治的460例成人DM患者的临床数据进行回顾性分析。随机将样本按70%(n=322)划分为训练组,30%(n=138)为验证组。在训练组中,采用单因素和多因素Logistic回归分析建立预测模型并绘制列线图。通过不同指标对预测模型进行评估,包括C指数、校准曲线和决策分析曲线。结果最终纳入预测模型的预测因子包括年龄、性别、吞咽困难、糖类抗原125(CA125)、合并间质性肺疾病(ILD)、肌酸激酶(CK)、抗TIF1-γ抗体、淋巴细胞(LYM)。训练组和验证组的C指数分别为0.919(95%CI 0.875~0.962)、0.910(95%CI 0.837~0.982)。校准曲线显示训练组和验证组均具有较高的准确性。决策分析曲线表明该模型具有良好的临床应用性。结论年龄大、男性、LYM降低、吞咽困难、不合并ILD、TIF1-γ抗体阳性、CK升高、CA125阳性是成人DM合并恶性肿瘤的独立危险因素,建立的预测模型具有良好的预测性能。

关键词： 磁共振成像(MRI)   脑肿瘤   多模态MRI   图像分割   深度学习   U-Net   Transformer   分割一切模型(SAM)  

摘要： 脑肿瘤是由脑组织细胞异常生长引起的病变,对人类生命构成重大威胁。磁共振成像(Magnetic Resonance Imaging,MRI)是一种典型的非侵入式成像技术,可以产生高分辨率、无损伤和无颅骨伪影的脑影像。随着生物医学技术的不断发展,利用MRI技术进行脑肿瘤的诊断和治疗已成为提高患者生存率和降低计算成本的主要技术手段。而目前多模态MRI脑肿瘤精准分割存在技术瓶颈,传统方法依赖人工特征,效率低且受主观影响。深度学习凭自动特征提取突破局限,推动分割自动化精准化。本文综述了U-Net、Transformer、分割一切模型3类深度学习模型的技术原理、应用效果及局限性,最后分析当前研究面临的挑战并展望未来方向,以期为医学影像分析领域的研究人员和临床医师提供借鉴,提高脑肿瘤诊断的准确度和效率。