lung cancer
PulseAugur coverage of lung cancer — every cluster mentioning lung cancer across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
罕见的EGFR突变与非吸烟者肺癌风险增加有关
一种罕见的EGFR基因遗传突变显著增加了患肺癌的风险。这种基因易感性在从未吸烟的个体中尤为明显，与普通人群相比，他们患病的几率增加了60多倍。这一发现揭示了非吸烟者肺癌的潜在病因。
-
人工智能和深度学习用于肺癌检测：系统性综述
一项系统性映射研究回顾了 2015 年至今关于将人工智能 (AI) 和深度学习 (DL) 应用于医学影像肺癌检测的 96 篇文章。研究强调了使用迁移学习和数据增强的卷积神经网络 (CNN) 在提高诊断准确性和效率方面的有效性。然而，该研究也指出了重大挑战，包括数据标准化、模型可解释性、患者隐私和伦理考量，强调在广泛临床应用之前需要进一步的研究和监管。
-
胰腺癌药物Daraxonrasib显示出对肺癌患者的潜力
一种靶向抗癌药物Daraxonrasib在新试验中显示出有希望的结果，表明它也可能有效治疗某些肺癌病例。这一进展扩大了该药物的潜在应用范围，超出了其最初专注于胰腺癌的范围。
-
LLM 将 NICE 临床指南转换为可执行模型
研究人员开发了一种新颖的方法，可将英国国家健康与护理卓越研究所 (NICE) 的非结构化临床指南自动转换为可执行的计算模型。该方法利用大型语言模型 (LLM) 将基于文本的建议转换为可生成患者特定、可解释的临床建议的格式。该系统应用于胰腺癌和肺癌的 NICE 指南，在专家评审中显示出高度的一致性，大多数差异是轻微遗漏而非逻辑错误。胰腺癌的可执行模型在患者案例分析中取得了 82.5% 的 F1 分数，表明了可扩展、自动生成可计算临床指南的潜力。
-
深度学习模型在标签高效癌症诊断方面展现出潜力
本研究论文探讨了监督学习、半监督学习和自监督学习这三种学习环境，旨在利用深度学习模型实现高效的癌症诊断。研究人员在肾癌、肺癌和乳腺癌的数据集上评估了Residual Network-50、Visual Geometry Group-16和EfficientNetB0。研究结果表明，半监督学习是传统监督学习的可行替代方案，尤其是在标记数据稀缺的情况下，它能以更低的计算成本和更少的标记样本取得可比的结果。
-
Vision Transformers 在早期肺癌预测方面展现潜力
研究人员探索了使用 Vision Transformers (ViTs) 通过胸部 X 光片在临床诊断前两年预测肺癌的可能性。该研究分析了来自 Jamaica Plains VA Hospital 的超过 259,000 张 X 光片，通过重采样和加权损失优化解决了显著的类别不平衡问题。使用在 ImageNet 上预训练的模型进行迁移学习显示出性能的提升，证明了 ViTs 在早期风险预测方面的潜力，尽管距离临床部署标准仍需进一步开发。
-
探索利用量子机器学习进行早期肺癌检测
研究人员探索了使用量子-经典混合机器学习模型，通过DNA片段组学和甲基化数据进行早期肺癌检测。该研究侧重于通过各种映射和纠缠策略将特征编码到量子希尔伯特空间中，以计算基于保真度的量子核。这些量子核模型与支持向量机和核PCA逻辑回归相结合，与经典SVM基线相比表现出竞争力，其中一些配置提高了片段组学数据的AUC和特异性。
-
新的无监督方法改进了CT扫描中的肺结节检测
研究人员开发了一种名为RONALD的新无监督方法，用于分割低剂量CT扫描中的支气管血管束。该技术旨在通过增强结节的可见性来改善早期肺癌的检测，因为结节经常被邻近的血管和气道壁所遮挡。RONALD流程在Duke Lung Cancer Screening (DLCS) 和 Pomeranian 数据集上展示了卓越的性能，与其它分割方法相比，显著提高了结节的保留率。
-
新型抗体靶向先前无法触及的KRAS癌症突变
研究人员开发了一种新颖的基于抗体的疗法，该疗法靶向癌细胞的一个常见弱点，特别是KRAS蛋白的突变。这种新方法利用细胞的天然表面展示系统来呈现突变的KRAS蛋白片段，使其对 the antibodies and immune cells 可见。这种策略可以选择性地靶向具有KRAS突变的癌细胞，而这些突变先前被认为无法通过常规抗体治疗触及，有可能为治疗胰腺癌、结直肠癌和肺癌等癌症提供新途径。
-
ResNet50 在 X 光片肺部疾病分类方面优于 VGG 模型
研究人员探索了深度学习模型 VGG16、VGG19 和 ResNet50 对 X 光图像肺部疾病进行分类的有效性。该研究在大型 X 光图像数据集上训练了这些模型，以识别肺炎、肺结核和肺癌等病症。结果表明，虽然所有模型表现良好，但 ResNet50 在疾病分类方面表现出更高的准确性和效率。
-
CT-CLIP模型以有限数据增强肺癌生存预测能力
研究人员开发了一种新的方法，使用一种称为CT-CLIP的领域特定基础模型来预测肺癌生存率。该方法利用了242名患者的CT扫描和临床数据，证明CT-CLIP表示可以显著提高预后预测，即使在数据有限的情况下也是如此。研究发现，一个冻结的CT-CLIP模型配合可训练的生存头，其性能优于传统的临床基线和其他多模态方法，能有效区分高风险和低风险患者群体。
-
五百万美国人失去ACA医保，引发公共健康担忧
根据美国卫生与公众服务部的新数据，约有五百万美国人通过《平价医疗法案》(Affordable Care Act)市场失去了医疗保险。特朗普政府将这一下降归因于反欺诈措施，尽管此前国会未能延长本可以降低保费的税收抵免。预计失去医保将通过减少获得预防性护理的机会、加剧慢性病以及可能增加传染病的传播，对公共健康产生负面影响。
-
OncoSynth框架生成合成肿瘤学数据以改进治疗效果估计
研究人员开发了OncoSynth，一个旨在生成合成肿瘤学患者数据的新机器学习框架。该框架通过保持患者特征、治疗和结果之间的因果关系来解决现有方法的局限性，这对于准确估计治疗效果至关重要。对大型肺癌和乳腺癌队列的评估表明，OncoSynth能够生成高保真度的合成数据，显著提高了群体级别（误差减少高达66%）和患者级别（误差减少高达58%）的治疗效果估计的准确性，从而在数据受限的情况下支持证据生成。
-
石英台面工人面临致命硅肺病流行
切割和打磨工程石材台面（通常以“石英”为营销名称）的工人正在患上一种严重且迅速进展的硅肺病。这种可预防的肺部疾病，类似于石棉暴露，可能导致肺癌、肾脏疾病和自身免疫性疾病。仅在加利福尼亚州，就有超过550名工人被诊断出患有此病，在2019年至2026年间至少有30人死亡。尽管存在风险，Costco、Home Depot和Lowe's等主要零售商仍在销售这些产品，而宜家已停止销售。
-
AI模型根据PET/CT扫描预测肺癌生存期
研究人员开发了新的AI模型ATCS和MTS，利用PET/CT扫描预测肺癌患者的总生存期。这些模型优于基线TCS模型，分别取得了0.794和0.793的AUC。ATCS在短期预测（0.5-3年）方面表现更好，而MTS在长期预测（3.5-5年）方面表现更优。该研究使用了848名非小细胞肺癌患者的数据，并发现结合不同的影像学特征可以提高准确性。
-
靶向疗法将晚期肺癌转变为慢性病
香港中文大学牵头的一项全球研究表明，靶向疗法 lorlatinib 可在至少七年内阻止超过一半晚期肺癌患者的疾病进展。这一重大进展表明，有可能像管理糖尿病一样，将晚期肺癌作为一种慢性病进行管理。该研究涉及多个地区的 296 名患者，将 lorlatinib 与 crizotinib 进行了比较，结果显示前者在七年内的无进展生存率为 55%，而对照组为 3%。
-
香港女性肺癌发病率上升，尽管吸烟率下降
在过去二十年里，香港女性的肺癌发病率上升了20%，尽管与男性相比吸烟率较低。专家认为，遗传易感性和通风不良的厨房中烹饪油烟的暴露是重要的促成因素。这一趋势导致了对更广泛筛查计划以早期发现该疾病的呼声日益高涨。
-
深度学习辅助影像组学特征选择以检测肺癌
研究人员开发了一个名为梯度损失递归特征消除（GL-RFE）的新框架，以改进用于肺癌分期检测的影像组学特征选择。该方法利用深度神经网络的梯度敏感性分析，从高维医学影像数据中识别出最具影响力的特征。GL-RFE框架成功识别出15个顶级特征，并使用这些特征训练了一个分类器，在区分早期和晚期肺癌分期方面达到了90%以上的准确率。
-
AI系统Traj-Evolve模拟患者轨迹以进行肺癌检测
研究人员开发了Traj-Evolve，一个旨在通过模拟患者轨迹来改进肺癌早期检测的新型多智能体系统。该系统利用经验池检索相似的既往患者病例，并采用多智能体强化学习来优化智能体与记忆之间的协作。实验表明，Traj-Evolve通过其演化机制提高了特异性和敏感性，在识别从不吸烟者的风险方面优于现有方法。
-
Haiku模型整合空间生物学、组织学和临床数据
研究人员开发了Haiku，一种新颖的三模态对比学习模型，旨在整合生物医学研究中的分子、形态学和临床数据。Haiku在来自3000多名患者的空间蛋白质组学和组织学图像的大型数据集上进行训练，为这些多样化的数据类型创建了一个共享的嵌入空间。这使得先进的跨模态检索成为可能，改进了下游分类和预测任务，并允许零样本生物标志物推断，其性能优于现有的单模态方法。