神经胶质瘤和胶质母细胞瘤是中枢神经系统 (CNS) 肿瘤的重要组成部分，与高死亡率和可变的预后相关。 2021年，世界卫生组织（WHO）更新了胶质瘤分类标准，最引人注目的是，将包括CDKN2A/B纯合缺失、TERT启动子突变、EGFR扩增、 7/-10染色体拷贝数变化等分子标记纳入分级和分类。成人和儿童神经胶质瘤的分类。这些标志物的纳入以及相应的新神经胶质瘤亚型的引入，使得临床干预措施的调整变得更加具体，并激发了新一波放射基因组学研究，寻求利用医学成像信息来探索这些新生物标志物的诊断和预后影响。放射组学、深度学习和组合方法使得强大的计算工具得以开发，用于 MRI 分析，将成像特征与纳入更新的 WHO CNS-5 指南的各种分子生物标志物相关联。最近的研究利用这些方法，根据这些更新的仅基于非侵入性 MRI 的分子标准对胶质瘤进行准确分类，证明了放射基因组学工具的巨大前景。在这篇综述中，我们探讨了这些计算框架的相对优点和缺点，并强调了最近在快速发展的基于分子的胶质瘤亚型分型领域的研究所带来的技术和临床创新。此外，还强调了将这些工具纳入常规放射工作流程的潜在好处和挑战，旨在加强患者护理并优化不断发展的中枢神经系统肿瘤管理领域的临床结果。© 2024。作者。

准确分类原发性骨肿瘤对于指导治疗决策至关重要。美国国家综合癌症网络指南推荐多模态图像，为原发性骨肿瘤的综合评估提供不同视角。然而，在临床实践中，大多数患者的医学多模态图像往往是不完整的。本研究旨在利用患者来自 X 射线、CT 和 MRI 的不完整多模态图像以及临床特征来构建深度学习模型，将原发性骨肿瘤分类为良性、中间性或恶性。在这项回顾性研究中，共有 1305 名患者2010 年 1 月至 2022 年 12 月期间，来自两个中心的经组织病理学证实的原发性骨肿瘤（内部数据集，n = 1043；外部数据集，n = 262）被纳入。我们提出了原发性骨肿瘤分类变压器网络（PBTC-TransNet）融合模型对原发性骨肿瘤进行分类。计算受试者工作特征曲线下面积 (AUC)、准确性、灵敏度和特异性，以评估模型的分类性能。PBTC-TransNet 融合模型取得了令人满意的微平均 AUC 0.847（95% CI：0.832，0.862），内部和外部测试集的值为 0.782（95% CI：0.749，0.817）。对于良性、中间性和恶性原发性骨肿瘤的分类，该模型在内部/外部测试集上分别实现了 0.827/0.727、0.740/0.662 和 0.815/0.745 的 AUC。此外，在按成像方式分布分层的所有患者亚组中，PBTC-TransNet 融合模型在内部和外部测试集上的微平均 AUC 分别为 0.700 至 0.909 和 0.640 至 0.847。该模型在内部测试集上仅使用 X 射线的情况下，显示出最高的微平均 AUC 为 0.909，准确度为 84.3%，微平均灵敏度为 84.3%，微平均特异性为 92.1%。在外部测试集上，PBTC-TransNet 融合模型对于 X 射线  CT 患者获得了最高的微平均 AUC 0.847。我们成功开发并外部验证了基于 Transformer 的 PBTC-Transnet 融合模型，用于原发性肿瘤的有效分类骨肿瘤。该模型植根于不完整的多模态图像和临床特征，有效地反映了现实生活中的临床场景，从而增强了其强大的临床实用性。© 2024。作者。

由于已经发现癌症病灶的最大代谢活性在癌症进展过程中向病灶边缘移动，因此从放射性示踪剂摄取热点到肿瘤质心（NHOC）和肿瘤周长（NHOP）的归一化距离被建议作为新的F -18 氟脱氧葡萄糖 (FDG) 正电子发射断层扫描/计算机断层扫描 (PET/CT) 参数可以反映癌症的侵袭性。本研究旨在探讨NHOC和NHOP参数是否可以预测乳腺癌患者对新辅助化疗（NAC）的病理反应和无进展生存期（PFS）。本研究回顾性纳入135名接受预处理FDG PET/CT的女性乳腺癌患者并接受 NAC 和随后的手术切除。除了常规 PET/CT 参数外，还根据 PET/CT 图像测量最大 SUV 和峰值 SUV 到肿瘤质心（NHOCmax 和 NHOCpeak）以及到肿瘤周长（NHOPmax 和 NHOPpeak）的归一化距离。 135 名患者，32 例（23.7%）达到病理完全缓解（pCR），34 例（25.2%）在随访期间发生事件。在受试者工作特征（ROC）曲线分析中，NHOCmax 显示预测 pCR 的 ROC 曲线下面积值最高（0.710），其次是 NHOCpeak（0.694）。在多变量逻辑回归分析中，NHOCmax、NHOCpeak 和 NHOPmax 是 pCR 的独立预测因子（p< 0.05）。在多变量生存分析中，NHOCpeak (p = 0.026) 是 PFS 以及代谢肿瘤体积的独立预测因子，NHOCpeak 较高的患者显示 PFS 较差。治疗前 FDG PET/CT 上的 NHOCpeak 可能是预测 NAC 反应的潜在成像参数和乳腺癌患者的生存率。© 2024。作者。

目的 评估多模态表观扩散 (MAD) 加权磁共振成像 (MRI) 区分恶性和良性乳腺病变的能力，并预测乳腺癌中 Ki-67 的表达水平。这项回顾性研究对 93 名术后患者进行了回顾性研究。病理证实的乳腺癌或良性乳腺病变。 MAD 图像是使用具有 16 b 值的 3.0 T MRI 扫描仪获取的。计算了 MAD 参数，如流量 (fF、DF)、无阻（流体）(fUI)、受阻（fH、DH 和 αH）和受限（fR、DR）。采用Mann-Whitney U检验比较良恶性病变及Ki-67高低表达水平之间参数的差异。通过受试者工作特征曲线下面积（AUC）评估诊断性能。恶性病变的fR显着高于良性病变（P = 0.001），而fUI和DH显着低于良性病变（P = 0.001）。分别为 P = 0.007 和 P < 0.001）。与区分恶性和良性乳腺病变的单个参数相比，MAD 的组合参数（fR、DH 和 fUI）提供了最高的 AUC（0.851）。 73个恶性病灶中，42个（57.5%）Ki-67低表达，31个（42.5%）Ki-67高表达。 Ki-67高状态显示较低的DH、较高的DF和较高的αH(P < 0.05)。 DH、DF 和 αH 的组合参数为评估 Ki-67 表达水平提供了最高的 AUC (0.691)。MAD 加权 MRI 是乳腺病变诊断和术前预测 Ki-67 表达水平的有用方法。© 2024 . 作者。

采用定性和定量的方法分析肾实体瘤高帧率超声造影（H-CEUS）的特点。 75例术前接受常规超声（US）、常规超声造影（C-对肾肿瘤的CEUS)、H-CEUS检查进行回顾性分析，共89个肾肿瘤。根据增强计算机断层扫描和病理结果将肿块分为良性组（30个肿块）和恶性组（59个肿块）。超声观察病灶的位置、直径、形状、边界、钙化和彩色多普勒血流成像（CDFI），并对C-CEUS和H-CEUS图像特征进行定性和定量分析。采用χ2检验或Fisher精确概率法比较良恶性组之间的US图像特征以及良恶性组之间C-CEUS和H-CEUS的图像特征。此外，采用非参数Mann-Whitney检验比较C-CEUS和H-CEUS时间强度曲线（TIC）参数的差异。恶性与良性肿瘤在性别、手术入路、回声及CDFI等方面均存在显着差异。组（p = 0.003，< 0.001，< 0.001，= 0003）。定性分析还显示，恶性组中 C-CEUS 和 H-CEUS 的清除模式和填充方向存在显着差异（p = 0.041、0.002）。此外，良性组中两种对比模型之间的增强均匀性显示出显着差异（p = 0.009）。定量分析表明，与 C-CEUS 模型相比，H-CEUS 模型中的 TIC 参数峰值强度 (PI)、减速时间 (DT) /2、曲线下面积 (AUC) 和平均转变时间 (MTT) 显着降低。良性和恶性组的CEUS模型。 （所有 p < 0.001）。相比之下，恶性组中H-CEUS模型的上升曲线上升斜率（AS）显着高于C-CEUS模型（p = 0.048）。在肾肿瘤中，H-CEUS显示出更清晰的内部强化质量和洗脱期的变化。与 C-CEUS 相比，H-CEUS 的定量 TIC 参数 PI、DT/2、AUC 和 MTT 较低。定量和定性分析均表明，与 C-CEUS 相比，H-CEUS 更好地显示了肾脏实性肿块的特征。© 2024。作者。

探讨多模态深度学习放射组学（MDLR）模型在预测实体I期非小细胞肺癌（NSCLC）术后进展风险状态中的应用价值。共459例经组织学证实的实体I期NSCLC患者，对2014年1月至2019年9月期间在我院接受手术切除的患者进行回顾性分析。在另一个医疗中心，104 名患者根据相同的标准作为外部验证队列进行了审查。对进展组和非进展组的临床病理特征和主观CT表现进行单因素分析。将表现出显着差异的临床病理特征和主观CT表现作为极限学习机（ELM）分类器的输入变量来构建临床模型。我们使用迁移学习策略训练ResNet18模型，使用该模型从所有CT图像中提取深度学习特征，然后使用ELM分类器对深度学习特征进行分类以获得深度学习签名（DLS）。构建了结合临床病理特征、主观CT表现和DLS的MDLR模型。通过曲线下面积（AUC）评价临床模型、DLS模型和MDLR模型的诊断效率。单变量分析表明，大小（p = 0.004）、神经元特异性烯醇化酶（NSE）（p = 0.03）、碳水化合物抗原19 - 9 (CA199) (p = 0.003)和病理分期(p = 0.027)与实体I期NSCLC术后进展显着相关。因此，将这些临床特征纳入临床模型，以预测术后实体期 NSCLC 患者的进展风险。总共选择了 294 个非零系数的深度学习特征。进展组的DLS为(0.721±0.371)，高于非进展组的(0.113±0.350)(p<0.001)。大小、NSE、CA199、病理分期和DLS的结合在区分术后进展状态方面表现出优越的性能。 MDLR模型的AUC为0.885（95%置信区间[CI]：0.842-0.927），高于临床模型（0.675（95% CI：0.599-0.752））和DLS模型（0.882（95% CI） ：0.835-0.929））。 DeLong检验和曲线分析判定结果表明MDLR模型是最具预测性和临床实用性的模型。MDLR模型可以有效预测I期实体NSCLC术后进展风险，有助于治疗和随访I 期 NSCLC 实体瘤患者。© 2024。作者。

比较基于单层二维 (2D) 和全体积三维 (3D) 计算机断层扫描 (CT) 放射组学模型在预测食管鳞状细胞癌 (ESCC) 淋巴血管侵犯 (LVI) 状态方面的性能）。224 名 ESCC 患者（158 名 LVI 缺失和 66 名 LVI 存在）参与了这项回顾性研究。入组患者按 7:3 的比例随机分为训练组和测试组。 2D 和 3D 放射组学特征源自原发性肿瘤的 2D 和 3D 感兴趣区域 (ROI)，使用 1.0 mm 厚度的对比增强 CT (CECT) 图像。采用类间/类内相关系数（ICC）分析、Wilcoxon秩和检验、Spearman相关检验、最小绝对收缩和选择算子筛选2D和3D放射组学特征，并通过多元Logistic回归建立放射组学模型逐步回归。 2D 和 3D 放射组学模型的性能通过受试者工作特征 (ROC) 曲线下面积进行评估。通过决策曲线分析（DCA）评估2D和3D放射组学模型的实际临床效用。2D ROI有753个放射组学特征，3D ROI有1130个放射组学特征，最后保留7个特征来构建2D和3D放射组学模型，分别。 ROC 分析显示，在训练和测试集中，3D 放射组学模型的 AUC 值均高于 2D 放射组学模型（分别为 0.930 与 0.852 和 0.897 与 0.851）。在训练和测试集中，3D 放射组学模型显示出比 2D 放射组学模型更高的准确性（分别为 0.899 与 0.728 和 0.788 与 0.758）。此外，3D放射组学模型具有更高的特异性和阳性预测值，而2D放射组学模型具有更高的敏感性和阴性预测值。 DCA 表明，3D 放射组学模型在总体净效益方面比 2D 放射组学模型提供了更高的实际临床效用。2D 和 3D 放射组学特征都可以用作预测 ESCC 中 LVI 的潜在生物标志物。对于 ESCC 中 LVI 的预测，3D 放射组学模型的性能优于 2D 放射组学模型。© 2024。作者。

非小细胞肺癌（NSCLC）是最常见的肺肿瘤类型。尽管进行了手术切除，但复发率很高，占所有病例的30-55%。基于定制基因组的下一代测序 (NGS) 和循环肿瘤细胞 (CTC) 分析可以帮助识别异质性、对高风险患者进行分层并指导治疗决策。在这项涉及小型前瞻性队列的描述性研究中，我们重点关注 CTC 的表型特征，特别是 EZH2 表达（Polycomb 抑制复合物 2 的成员），以及使用定制基因组和组织的突变谱。在可切除的 NSCLC 患者中，在手术切除前 (CTC1) 和手术后 1 个月 (CTC2) 评估了 EZH2 在 CTC 上的分离和特征。使用定制的 50 基因组对一部分患者的组织样本进行靶向 NGS。招募了 76 名可切除 NSCLC 患者。该队列中最常见的突变基因包括 TP53、FLT1、MUC5AC、EGFR 和 NLRP3。具有相互排斥突变的基因对是TP53-RIN3，具有共存突变的基因对是CD163-TLR4、FGF10-FOXP2、ADAMTSL3-FLT1、ADAMTSL3-MUC5AC和MUC5AC-NLRP3。 CTC1 和 CTC2 两个时间点之间的 CTC 显着下降 (p<0.0001)，并且 EZH2 高表达的 CTC 患者的死亡风险增加 87% (p=0.018)。整合肿瘤的分子分析和 CTC 表征可以提供有价值的见解深入了解肿瘤异质性并改善可切除 NSCLC 的患者分层。版权所有 © 2024 SEPAR。由 Elsevier España 出版，S.L.U.版权所有。

原发部位不明的癌症 (CUP) 是一组异质性癌症，其中已发现转移，且现有诊断方法无法检测到原发肿瘤。 CUP 是一种尚未得到充分研究的疾病，其生物学特性尚不清楚。 CUP的临床特征多种多样，但患者的预后通常较差，根治性治疗的可能性有限。微生物组是人体内微生物的基因和基因产物。近年来，由于新一代测序的使用，可以评估微生物组对人体功能的影响。头颈癌由于该区域微生物群丰富而受到其影响，生态失调可能是癌症发生的危险因素。这项工作的目的：本研究的目的是评估原发部位不明的癌症患者的预后因素、临床特征（包括微生物组）和治疗结果。在研究组中，拟杆菌门、梭杆菌、检测到芽孢杆菌门、放线菌门、放线菌门和候选菌门，而检测到少量厚壁菌门和变形菌门。 CUP 发生的独立预测因子如下：白细胞计数最多 6.49 × 103/mm，微生物组中变形菌门细菌低于 11.6%，厚壁菌门低于 22.1%，放线菌至少 11.0%。卟啉单胞菌和梭杆菌数量的增加与放疗并发症的风险和生存率缩短有关。由于对此问题缺乏共识，CUP患者的临床诊断和治疗变得复杂和困难。 CUP患者的治疗和预后并不理想。微生物组对癌症的发展、病程和治疗的影响的临床价值变得越来越重要。微生物组可能成为抗癌治疗反应及其并发症风险的标志。微生物组的免疫调节为进一步研究提高肿瘤治疗的有效性提供了机会。梭杆菌和卟啉单胞菌似乎是癌症发展中最重要的细菌，它们也会增加放疗并发症的风险并缩短患者的生存率，从而恶化患者的预后。链球菌和乳酸菌似乎是可以降低癌症风险、并发症风险并改善患者预后的细菌。总蛋白缺乏和炎症标志物升高也是癌症风险的重要预测因素。

本研究旨在评估跨多个诊断和预后癌症数据集的各种分类算法和重采样方法的性能，解决类别不平衡的挑战。总共分析了五个数据集，包括三个诊断数据集（威斯康星州乳腺癌数据库、癌症预测数据集） 、肺癌检测数据集）和两个预后数据集（Seer 乳腺癌数据集、分化甲状腺癌复发数据集）。采用来自三个类别的 19 种重采样方法，并使用来自四个不同类别的 10 个分类器进行比较。结果表明，混合采样方法，特别是 SMOTEENN，取得了最高的平均性能，达到 98.19%，其次是 IHT（97.20%）和 RENN （96.48%）。在分类器方面，随机森林表现出最好的性能，平均值为 94.69%，平衡随机森林和 XGBoost 紧随其后。基线方法（无重采样）的性能明显较低，为 91.33%，凸显了重采样技术在改善模型结果方面的有效性。这项研究强调了重采样方法在增强不平衡数据集分类性能方面的重要性，为研究人员和医疗保健提供了宝贵的见解专业人士。这些发现为未来旨在将机器学习技术整合到癌症诊断和预后中的研究奠定了基础，并为混合模型和临床应用的进一步研究提供了建议。