Skip to main content
知识分享官

Search: #放疗

  1. 新AI模型在腹部CT诊断中表现媲美专家水平

    随着人工智能在医疗领域的应用日益广泛，如何让AI模型真正达到专家级诊断水平成为关键挑战。传统AI往往局限于单一任务，而新开发的RADAR模型通过处理海量腹部CT数据和临床报告，试图突破这一局限。

    RADAR模型在训练中使用了超过40万例增强腹部CT检查和1500万张解剖图像-文本配对数据，直接从临床报告学习，无需手动标注。在多中心、多场景的评估中，该模型在18种解剖结构和146种影像发现上表现出色，并在读者研究中帮助26位放射科医生将诊断敏感性提升约10%。

    这项研究为腹部CT诊断提供了可扩展、多功能且可解释的解决方案，证明通用AI能够匹配人类专家在复杂任务中的表现。不过，研究仍聚焦于腹部CT，未来需验证其在其他影像类型或更广泛临床场景中的适用性。

    AI要抢医生饭碗？先别慌，还得人把关～🤖


    来源：Science (New York, N.Y.)

    #人工智能 #医学影像 #腹部CT #放射诊断

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  2. 癌症治疗竟让正常食管里的突变“变多”？研究揭示治疗与突变选择的奇妙关联

    食管作为人体重要的消化器官，在衰老过程中会积累各种体细胞突变。当患者接受癌症治疗（如化疗、放疗）时，这些正常组织中的突变是否会受到“选择”而扩增？一项新研究通过分析70名食管癌患者治疗后取出的正常食管上皮，揭示了治疗方式如何影响突变克隆的扩张。研究显示，接受化疗联合放疗（CROSS方案）的患者，其正常食管中TP53和PPM1D等突变克隆被显著扩增；而在接受FLOT化疗的患者中，RAC1、NFE2L2和MTOR等突变则因可能赋予对5-氟尿嘧啶（5-FU）的耐药性而被选择。这表明，不同治疗方式会“筛选”出特定的突变，改变正常上皮的遗传构成。

    研究团队通过全外显子组测序，比较了不同治疗患者正常食管与癌组织的突变谱，发现治疗特异性突变选择现象。例如，CROSS组的突变与DNA损伤修复相关，而FLOT组的突变与化疗药物耐药直接相关，提示治疗可能通过诱导突变来影响正常组织的进化轨迹。这一发现不仅为理解治疗副作用提供了新视角，也可能帮助识别新的治疗靶点或预测患者对治疗的反应。

    尽管研究样本量有限，且未完全排除其他因素（如患者年龄、肿瘤负荷）的影响，但结果仍表明，癌症治疗可能对正常组织中的突变选择产生深远影响。未来研究需要更大样本和更长期随访，以更全面地揭示这一过程的机制和临床意义，比如是否会导致正常组织的功能异常或增加二次肿瘤风险。

    ：化疗放疗还能“选”突变，食管里的“小强”们竟被“优待”了🤯


    来源：Nature genetics

    #癌症治疗 #突变选择 #食管癌 #化疗 #放疗 #体细胞突变

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  3. 脑部放疗后竟会“自毁”？专家共识：如何区分肿瘤复发与辐射损伤？

    脑肿瘤患者接受放疗后，有时会出现症状加重的情况，但影像学检查却显示像肿瘤复发，这背后可能隐藏着一种名为“放射坏死”的脑组织损伤。这种并发症在放疗后6至24个月出现，发生率约为4%至30%，给诊断和治疗带来挑战。

    为解决这一难题，欧洲神经肿瘤协会（EANO）专家通过德尔菲法达成共识。研究指出，灌注MRI和氨基酸PET是区分肿瘤复发与放射坏死的最佳影像学工具。治疗上，糖皮质激素可缓解症状，对激素无效的病例推荐贝伐珠单抗，手术能快速缓解症状并明确诊断，激光间质热疗可作为补充选择。

    尽管缺乏高级别证据，这些共识为临床提供了实用指导。尽管共识为放射坏死的管理提供了重要框架，但研究仍需更多前瞻性随机试验验证。病理学仍是金标准，但放疗后胶质瘤中存活肿瘤细胞的识别存在挑战。未来需进一步研究以优化诊断和治疗策略。

    放疗后脑部“自燃”？别慌，专家有招！🧠


    来源：Neuro-oncology

    #放射坏死 #脑肿瘤 #放疗 #诊断 #治疗 #专家共识

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  4. AI生成X片已经能以假乱真？

    随着AI技术的发展，用大语言模型（LLM）生成逼真的合成医疗影像（即“深度伪造”或deepfake）已成为现实。这给医疗诊断带来了潜在风险，比如可能被用于误导诊断。一项新研究评估了放射科医生和多种大语言模型（LLMs）能否区分由ChatGPT生成的合成X光片与真实的临床影像。

    研究团队邀请了17位来自不同国家的放射科医生，评估了154张影像（77张合成，77张真实）。结果显示，在不知情的情况下，41%的医生能识别出AI生成的影像。当医生被告知部分影像是合成的后，他们的准确率约为70%至75%，但不同医生之间差异不大。在LLMs测试中，GPT-4o和GPT-5能以85%和83%的准确率区分合成影像，而Llama 4和Gemini的准确率仅为59%和56%。合成影像的常见特征包括双侧对称、均匀的噪声或颗粒，以及过于平滑的软组织纹理和骨骼表面。

    研究结论指出，无论是放射科医生还是当前的大语言模型，都难以轻易区分AI生成的合成影像与真实影像。这凸显了在医疗领域识别和防范深度伪造技术的紧迫性。研究强调，为应对这一挑战，需要加强对医生和LLMs的培训，并利用像DeepFakeXRay这样的专用数据集。不过，研究也指出，样本量或模型版本可能影响结果，未来仍需更多研究来验证这些发现。

    放射科医生也怕“AI画”的X光片？😅


    来源：Radiology

    #AI医疗 #合成影像 #放射诊断 #Deepfake #大语言模型

    via: 热心群友

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿

  5. 乳腺癌放疗能不能从五周缩到三周？五年结果给了硬答案

    乳腺癌术后放疗常常是“疗程很长但又不能省”的环节，尤其一旦需要照到区域淋巴结，很多地方仍沿用 5 周方案。法国这项多中心Ⅲ期随机研究，直接比较 3 周短疗程和 5 周传统疗程，核心问题不是“更快”，而是“会不会因此更差”。

    答案相当干脆：在超过 1200 名患者、接近 5 年随访后，3 周方案在主要终点——上肢淋巴水肿风险——上达到了非劣效，且其他晚期不良反应总体也相近。换句话说，把 25 次放疗压缩到 15 次，并没有换来更高的代价。

    这类结果的意义很现实。对患者来说，少跑两周医院就是少两周通勤、请假和身心消耗；对医疗系统来说，则是设备时间和资源利用率的大提升。如果后续更多指南跟进，乳腺癌放疗的“默认时长”可能会被重新定义。

    医学进步有时不是更猛，而是终于不让人多跑 10 趟医院 😄


    Lancet
    发表日期：2026-03-07

    #乳腺癌 #放疗 #临床试验 #肿瘤

    🧬 频道 ｜ 🧑‍🔬 群组 ｜ 📨 投稿