氧化DNA损伤相关疾病，如无法治愈的炎症、恶性肿瘤和年龄相关疾病，由于其复杂的分子机制和识别有效治疗靶点的局限性，给现代医学带来了重大挑战。最近，8-氧代鸟嘌呤 DNA 糖基化酶 1 (OGG1) 已成为治疗这些具有挑战性的疾病的有前途的多功能治疗靶点。在这篇综述中，我们系统地总结了OGG1的多种功能和机制，包括促炎、致瘤和衰老调节机制。我们还强调 OGG1 抑制剂和激活剂作为上述限制生命疾病的有效治疗剂的潜力。我们得出结论，OGG1 充当多功能枢纽；抑制OGG1可能为预防和治疗炎症和癌症提供一种新方法，而激活OGG1可能是预防与年龄相关的疾病的策略。此外，我们还广泛概述了 OGG1 调节在治疗炎症、癌症和衰老相关疾病中的成功应用。最后，我们讨论了 OGG1 作为上述挑战性疾病的新兴多功能治疗标志物当前面临的挑战和未来方向。本综述的目的是为科研人员和临床药物研发人员开发针对生命有限疾病，特别是针对无法治愈的炎症、恶性肿瘤和年龄相关疾病的新型临床靶向药物提供有力的参考。© 2024 作者（s）。医学研究评论由 Wiley periodicals LLC 出版。

焦亡是一种新的炎症性程序性细胞死亡 (PCD) 类型，通常由多种炎症小体触发，这些炎症小体可以识别不同的危险或损伤相关分子模式 (DAMP)，从而导致 caspase-1 的激活和gasdermin D 的裂解（GSDMD）。 Gasdermin 家族成孔蛋白是细胞焦亡的执行者，通常通过自身抑制维持在非活性状态。在半胱天冬酶介导的 Gasdermin 裂解后，促焦亡的 N 端片段从 C 端片段的自动抑制中释放出来并寡聚化，在质膜中形成孔。这导致白细胞介素 (IL)-1β、IL-18 和高迁移率族蛋白 1 (HMGB1) 的分泌，产生渗透性膨胀和裂解。目前肺癌的治疗方法包括化疗、放疗、分子靶向治疗和免疫治疗，有效迫使癌细胞发生焦亡，从而产生局部和全身的抗肿瘤免疫。因此，焦亡被认为是治疗肺癌的新治疗方案。在这篇综述中，我们简要描述了焦亡所涉及的信号通路，并努力讨论焦亡的抗肿瘤作用及其在肺癌治疗中的潜在应用，重点关注焦亡对微环境重编程和唤起抗肿瘤免疫反应的贡献。© 2024威利期刊有限责任公司。

最近，联邦学习因其能够聚合具有隐私保护特性的多中心数据而引起了医学图像分析领域越来越多的兴趣。已经发布了大量的联合培训方案，我们将其分为全局（一个最终模型）、个性化（每个机构一个模型）或混合（每个机构集群一个模型）方法。然而，它们在最近发布的 2022 年联合脑肿瘤分割数据集上的适用性尚未得到探索。我们针对此任务提出了来自所有三个类别的联邦学习算法的广泛基准。虽然标准 FedAvg 已经表现得很好，但我们表明每个类别中的一些方法可以带来轻微的性能改进，并可能限制最终模型对联邦主要数据分布的偏差。此外，我们通过在机构之间分配汇集数据集的替代方式，即独立相同分布式（IID）设置和有限数据设置，更深入地理解了联邦学习在该任务中的行为。我们的代码可在 (https://github.com/MatthisManthe/Benchmark_FeTS2022) 获取。版权所有 © 2024 Elsevier B.V。保留所有权利。

放射治疗在癌症治疗中发挥着至关重要的作用，需要在多天内向肿瘤精确输送放射线，同时保护健康组织。计算机断层扫描 (CT) 是治疗计划不可或缺的一部分，它提供对于精确剂量计算至关重要的电子密度数据。然而，准确呈现患者解剖结构具有挑战性，尤其是在适应性放射治疗中，CT 并非每天采集。磁共振成像 (MRI) 提供卓越的软组织对比度。尽管如此，它仍然缺乏电子密度信息，而锥形束CT（CBCT）缺乏直接的电子密度校准，主要用于患者定位。采用仅 MRI 或基于 CBCT 的适应性放射治疗消除了 CT 计划的需要，但也带来了挑战。合成 CT (sCT) 生成技术旨在通过使用图像合成弥合 MRI、CBCT 和 CT 之间的差距来应对这些挑战。 SynthRAD2023 挑战赛的组织目的是使用来自 1080 名患者的多中心真实数据来比较合成 CT 生成方法，分为两个任务：(1) MRI 到 CT 和 (2) CBCT 到 CT。评估包括图像相似性以及质子和光子计划中基于剂量的指标。该挑战吸引了大量参与，共有 617 名报名者和 22/17 的任务 1/2 有效提交。表现最好的团队实现了光子计划的高结构相似性指数（≥0.87/0.90）和伽马通过率（≥98.1%/99.0%）和质子计划（≥97.3%/97.0%）。然而，图像相似性指标和剂量准确性之间没有发现显着相关性，这强调了在评估 sCT 的临床适用性时需要进行剂量评估。 SynthRAD2023 促进了 sCT 生成技术的调查和基准测试，为开发仅 MRI 和基于 CBCT 的适应性放射治疗提供了见解。它展示了深度学习生成高质量 sCT 的能力不断增强，从而减少了治疗计划对传统 CT 的依赖。版权所有 © 2024 作者。由 Elsevier B.V. 出版。保留所有权利。

内窥镜图像中的自动息肉分割对于结直肠癌的早期诊断至关重要。尽管存在强大的分割模型，但仍有两个挑战阻碍了息肉分割算法的准确性。首先，在结肠镜检查过程中，医生经常调整结肠镜尖端的方向以捕捉潜在病变，导致结肠镜检查图像的视点发生变化。这些变化增加了息肉视觉外观的多样性，对学习稳健的息肉特征提出了挑战。其次，息肉通常表现出与周围组织相似的特性，导致息肉边界模糊。为了解决这些问题，我们提出了一种名为 VANet 的视点感知框架，用于精确的息肉分割。在 VANet 中，息肉被强调为一种判别特征，因此可以在视点分类过程中通过类激活图进行定位。利用这些息肉位置，我们设计了一个视点感知变压器（VAFormer）来减轻周围组织对注意力的侵蚀，从而诱导更好的息肉表示。此外，为了增强网络的息肉边界感知，我们开发了一个边界感知变压器（BAFormer）来鼓励对不确定区域的自我关注。因此，两个模块的组合能够校准预测并显着提高息肉分割性能。对七个公共数据集、六个指标的广泛实验证明了我们方法的最先进结果，并且 VANet 可以有效地处理现实场景中的结肠镜检查图像。源代码可在 https://github.com/1024803482/Viewpoint-Aware-Network 获取。版权所有 © 2024 作者。由 Elsevier B.V. 出版。保留所有权利。

医学图像分割对于医疗保健至关重要，但基于卷积的方法（例如 U-Net）在建模长期依赖性方面面临局限性。为了解决这个问题，专为序列到序列预测而设计的 Transformer 已集成到医学图像分割中。然而，缺乏对 U-Net 组件中 Transformers 自注意力的全面理解。 TransUNet 于 2021 年首次推出，被广泛认为是将 Transformer 集成到医学图像分析中的首批模型之一。在这项研究中，我们提出了 TransUNet 的多功能框架，它将 Transformer 的自注意力封装到两个关键模块中：（1）Transformer 编码器从卷积神经网络（CNN）特征图中标记图像块，促进全局上下文提取，以及（ 2) Transformer 解码器通过提案和 U-Net 特征之间的交叉注意力来细化候选区域。这些模块可以灵活地插入到 U-Net 主干中，从而产生三种配置：仅编码器、仅解码器和编码器解码器。 TransUNet 提供了一个包含 2D 和 3D 实现的库，使用户能够轻松定制所选的架构。我们的研究结果强调了编码器在模拟多个腹部器官之间的相互作用方面的功效以及解码器在处理肿瘤等小目标方面的优势。它在多种医疗应用中表现出色，例如多器官分割、胰腺肿瘤分割和肝血管分割。值得注意的是，与竞争激烈的 nn-UNet 相比，我们的 TransUNet 在多器官分割和胰腺肿瘤分割方面的平均 Dice 显着提高，分别为 1.06% 和 4.30%，并超越了 BrasTS2021 挑战赛中的 top-1 解决方案。 2D/3D 代码和模型可分别从 https://github.com/Beckschen/TransUNet 和 https://github.com/Beckschen/TransUNet-3D 获取。版权所有 © 2024 作者。由 Elsevier B.V. 出版。保留所有权利。

大量数字化组织病理学数据显示了通过自我监督学习方法开发病理基础模型的广阔前景。使用这些方法预训练的基础模型可以为下游任务奠定良好的基础。然而，自然图像和组织病理学图像之间的差距阻碍了现有方法的直接应用。在这项工作中，我们提出了 PathoDuet，一系列组织病理学图像的预训练模型，以及组织病理学中新的自我监督学习框架。该框架的特点是新引入的借口标记和后来的任务提升器，以明确利用图像之间的某些关系，例如多个放大倍数和多个污点。在此基础上，设计了跨尺度定位和跨染色转移两个借口任务，在苏木精和曙红（H

深度神经网络通常用于自动医学图像分割，但模型经常难以在不同的成像模式中很好地泛化。由于目标和源模态中注释数据的可用性有限，这个问题尤其成问题，使得大规模部署这些模型变得困难。为了克服这些挑战，我们提出了一种新的半监督训练策略，称为 MoDATTS。我们的方法旨在对未配对的双模态数据集进行准确的跨模态 3D 肿瘤分割。模态之间的图像到图像转换策略用于生成所需模态的合成但带注释的图像和标签，并提高对未注释的目标模态的泛化。我们还使用强大的视觉转换器架构来执行图像翻译（TransUNet）和分割（Medformer）任务，并在后续任务中引入迭代自训练过程，以进一步缩小模态之间的域差距，从而也对目标中的未标记图像进行训练情态。 MoDATTS还允许利用具有半监督目标的图像级标签，鼓励模型将肿瘤从背景中分离出来。当源模态数据集中也存在像素级标签稀缺性或当源数据集包含健康对照时，这种半监督方法特别有助于维持下游分割性能。与 CrossMoDA 2022 前庭神经鞘瘤 (VS) 分割挑战赛中参赛团队的其他方法相比，所提出的模型实现了卓越的性能，其报告的 VS 分割最高 Dice 得分为 0.87±0.04 就证明了这一点。在由 BraTS 2020 挑战数据集的四种不同对比组成的跨模态成人脑胶质瘤分割任务中，MoDATTS 的 Dice 分数也比基线有了一致的改进，其中当没有可用的目标模态注释时，达到了 95% 的目标监督模型性能。我们报告说，如果额外注释 20% 和 50% 的目标数据，则可以实现 99% 和 100% 的最大性能，这进一步表明可以利用 MoDATTS 来减轻注释负担。版权所有 © 2024 ）。由 Elsevier B.V. 出版。保留所有权利。

在计算病理学领域，基于多实例学习（MIL）的方法已被广泛采用来处理整个幻灯片图像（WSI）。由于滑动级监督稀疏，这些方法通常缺乏对肿瘤区域的良好定位，导致可解释性较差。此外，它们缺乏对预测结果稳健的不确定性估计，导致可靠性较差。为了解决上述两个限制，我们提出了一种用于整个幻灯片图像分类的可解释且证据性的多实例学习（E2-MIL）框架。 E2-MIL主要由三个模块组成：细节感知注意力蒸馏模块（DAM）、结构感知注意力精炼模块（SRM）和不确定性感知实例分类器（UIC）。具体来说，DAM 通过利用互补子包从本地网络学习详细的注意力知识，帮助全局网络定位更多细节感知的正实例。此外，还引入了屏蔽自引导损失，以帮助弥合幻灯片级标签和实例级分类任务之间的差距。 SRM 生成结构感知注意力图，通过有效建模聚类实例之间的空间关系来定位整个肿瘤区域结构。此外，UIC还提供准确的实例级分类结果和稳健的预测不确定性估计，以提高基于主观逻辑理论的模型可靠性。对三个大型多中心子类型数据集的广泛实验证明了 E2-MIL 的幻灯片级和实例级性能优势。版权所有 © 2024 Elsevier B.V。保留所有权利。

旨在报告美国大型转诊中心射频消融 (RFA) 治疗 T1 甲状腺乳头状癌 (PTC) 的有效性、安全性和可行性。我们对 8 名在 Mayo Clinic 接受 RFA 治疗 T1 PTC 的患者进行了回顾性研究2020 年 7 月 1 日至 2023 年 2 月 28 日在明尼苏达州罗彻斯特进行。描述了 RFA 技术和麻醉类型。对手术后长达 24 个月的甲状腺功能、消融区变化和不良事件进行分析。研究中纳入的 8 名患者中，7 名女性，1 名男性，平均±SD 年龄为 53±16.4 岁。 8 名患者中有 7 名的甲状腺状态未受影响。 RFA 的中位持续时间为 6 分钟（范围为 2 至 14.5 分钟），传递的能量在 25 至 45 W 之间。小 PTC 的平均 ± SD 体积为 0.3±0.2 mL，平均最大直径为 9.5±3.3 mm （范围，6 至 15 毫米）。 3至6个月时的平均±SD消融体积大于目标病变（0.8±0.7 mL），7至12个月时平均±SD消融体积减少0.4±0.4 mL，13个月时平均±SD消融体积减少0.1±0.06 mL至 18 个月。消融区在19至24个月时几乎消失（0.04±0.04 mL）。 RFA 手术期间或之后没有发生重大不良事件。这是美国第一个报道的采用 RFA 治疗的 T1 PTC 系列。早期消融后成像显示消融区域大于目标病灶，随后尺寸连续减小。因此，在具有此类专业知识的中心进行 RFA 似乎是治疗小型 PTC 的安全有效的方法。需要进一步的研究来评估其长期疗效和复发风险。版权所有 © 2024 梅奥医学教育和研究基金会。由爱思唯尔公司出版。保留所有权利。