Abstract Purpose: To identify MRI-based radiomics as prognostic factors in patients with advanced nasopharyngeal carcinoma (NPC). Experimental Design: One-hundred and eighteen patients (training cohort: n = 88; validation cohort: n = 30) with advanced NPC were enrolled. A total of 970 radiomics features were extracted from T2-weighted (T2-w) and contrast-enhanced T1-weighted (CET1-w) MRI. Least absolute shrinkage and selection operator (LASSO) regression was applied to select features for progression-free survival (PFS) nomograms. Nomogram discrimination and calibration were evaluated. Associations between radiomics features and clinical data were investigated using heatmaps. Results: The radiomics signatures were significantly associated with PFS. A radiomics signature derived from joint CET1-w and T2-w images showed better prognostic performance than signatures derived from CET1-w or T2-w images alone. One radiomics nomogram combined a radiomics signature from joint CET1-w and T2-w images with the TNM staging system. This nomogram showed a significant improvement over the TNM staging system in terms of evaluating PFS in the training cohort (C-index, 0.761 vs. 0.514; P < 2.68 × 10−9). Another radiomics nomogram integrated the radiomics signature with all clinical data, and thereby outperformed a nomogram based on clinical data alone (C-index, 0.776 vs. 0.649; P < 1.60 × 10−7). Calibration curves showed good agreement. Findings were confirmed in the validation cohort. Heatmaps revealed associations between radiomics features and tumor stages. Conclusions: Multiparametric MRI-based radiomics nomograms provided improved prognostic ability in advanced NPC. These results provide an illustrative example of precision medicine and may affect treatment strategies. Clin Cancer Res; 23(15); 4259–69. ©2017 AACR.

As of March 24, 2020, novel severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) has been responsible for 379,661 infection cases with 16,428 deaths globally, and the number is still increasing rapidly. Herein, we present four critically ill patients with SARS-CoV-2 infection who received supportive care and convalescent plasma. Although all four patients (including a pregnant woman) recovered from SARS-CoV-2 infection eventually, randomized trials are needed to eliminate the effect of other treatments and investigate the safety and efficacy of convalescent plasma therapy.

Deep learning models have been developed for various predictions in glioma; yet, they were constrained by manual segmentation, task-specific design, or a lack of biological interpretation. Herein, we aimed to develop an end-to-end multi-task deep learning (MDL) pipeline that can simultaneously predict molecular alterations and histological grade (auxiliary tasks), as well as prognosis (primary task) in gliomas. Further, we aimed to provide the biological mechanisms underlying the model's predictions. We collected multiscale data including baseline MRI images from 2776 glioma patients across two private (FAHZU and HPPH, n = 1931) and three public datasets (TCGA, n = 213; UCSF, n = 410; and EGD, n = 222). We trained and internally validated the MDL model using our private datasets, and externally validated it using the three public datasets. We used the model-predicted deep prognosis score (DPS) to stratify patients into low-DPS and high-DPS subtypes. Additionally, a radio-multiomics analysis was conducted to elucidate the biological basis of the DPS. In the external validation cohorts, the MDL model achieved average areas under the curve of 0.892–0.903, 0.710–0.894, and 0.850–0.879 for predicting IDH mutation status, 1p/19q co-deletion status, and tumor grade, respectively. Moreover, the MDL model yielded a C-index of 0.723 in the TCGA and 0.671 in the UCSF for the prediction of overall survival. The DPS exhibits significant correlations with activated oncogenic pathways, immune infiltration patterns, specific protein expression, DNA methylation, tumor mutation burden, and tumor-stroma ratio. Accordingly, our work presents an accurate and biologically meaningful tool for predicting molecular subtypes, tumor grade, and survival outcomes in gliomas, which provides personalized clinical decision-making in a global and non-invasive manner.

Clinical treatment of diabetic refractory ulcers is impeded by chronic inflammation and cell dysfunction associated with wound healing. The significant clinical application of bFGF in wound healing is limited by its instability in vivo. Sulfur has been applied for the treatment of skin diseases in the clinic for antibiosis. We previously found that sulfur incorporation improves the ability of selenium nanoparticles to accelerate wound healing, yet the toxicity of selenium still poses a risk for its clinical application. To obtain materials with high pro-regeneration activity and low toxicity, we explored the mechanism by which selenium-sulfur nanoparticles aid in wound healing via RNA-Seq and designed a nanoparticle called Nano-S@bFGF, which was constructed from sulfur and bFGF. As expected, Nano-S@bFGF not only regenerated zebrafish tail fins and promoted skin wound healing but also promoted skin repair in diabetic mice with a profitable safety profile. Mechanistically, Nano-S@bFGF successfully coactivated the FGFR and Hippo signalling pathways to regulate wound healing. Briefly, the Nano-S@bFGF reported here provides an efficient and feasible method for the synthesis of bioactive nanosulfur and bFGF. In the long term, our results reinvigorated efforts to discover more peculiar unique biofunctions of sulfur and bFGF in a great variety of human diseases.

Abstract Neural decoding is useful for understanding brain functions and developing neural interface applications. However, neural interfaces based on rigid electronics often suffer from recording instability due to the foreign body responses caused by their mechanical mismatch with soft tissues, limiting the longitudinal accuracy of neural decoding methods. Herein, it is reported that flexible electronics can be integrated with machine learning algorithms to achieve long-term reliable neural decoding. Wet-spun conductive polymer microfibers showed mechanical robustness and flexibility, low impedance, and chronic biocompatibility, enabling intracerebral neural recordings in epileptic mice at a high signal-to-noise ratio eight weeks after implantation. When the signals recorded by the flexible electrodes were used in machine learning analyses with diverse complex algorithms, they consistently showed higher prediction accuracy for epileptic seizures than stiff metal electrode signals, particularly in the case of using long-term recordings for testing or small-sample datasets for training. A real-time warning system based on the flexible neural electrodes was built that predicted seizures eight minutes in advance with a low false alarm rate. Our work bridges flexible electronics and artificial intelligence for neural decoding applications such as long-term treatment of chronic neurological disorders.

Motivation: The identification and assessment of the penumbra are crucial for making the right treatment decisions and improving clinical outcomes in acute ischemic stroke (AIS) patients. Goal(s): To develop a radiomics model based ASL and DWI to predict outcomes of AIS patients with clinical factors.Approach: Radiomics features were extracted from penumbra and infarct core in 151 patients with clinical parameters. Five-fold cross-validation was performed on 70% data sets, and the model performance was evaluated by an independent test cohort. Results: The joint model with 4 radiomics features from infarct core and NHISS score yielded highest AUC of 0.802. Impact: The combined model incorporating clinical factors and radiomics features based on infarct core and penumbra has achieved satisfactory performance in predicting the outcomes of AIS patients, which provides a non-invasive approach to optimize individualized treatment for AIS patients.

Cervical cancer remains a significant global public health concern, often exhibits cisplatin resistance in clinical settings. Hypoxia, a characteristic of cervical cancer, substantially contributes to cisplatin resistance. To evaluate the therapeutic efficacy of cisplatin in patients with cervical cancer and to identify potential effective drugs against cisplatin resistance, we established a hypoxia-inducible factor-1 (HIF-1)-related risk score (HRRS) model using clinical data from patients treated with cisplatin. Cox and LASSO regression analyses were used to stratify patient risks and prognosis. Through qRT-PCR, we validated nine potential prognostic HIF-1 genes that successfully predict cisplatin responsiveness in patients and cell lines. Subsequently, we identified fostamatinib, an FDA-approved spleen tyrosine kinase inhibitor, as a promising drug for targeting the HRRS-high group. We observed a positive correlation between the IC50 values of fostamatinib and HRRS in cervical cancer cell lines. Moreover, fostamatinib exhibited potent anticancer effects on high HRRS groups in vitro and in vivo. In summary, we developed a hypoxia-related gene signature that suggests cisplatin response prediction in cervical cancer and identified fostamatinib as a potential novel treatment approach for resistant cases.