Coronavirus disease 2019 (COVID-19) has spread globally, and medical resources become insufficient in many regions. Fast diagnosis of COVID-19 and finding high-risk patients with worse prognosis for early prevention and medical resource optimisation is important. Here, we proposed a fully automatic deep learning system for COVID-19 diagnostic and prognostic analysis by routinely used computed tomography. We retrospectively collected 5372 patients with computed tomography images from seven cities or provinces. Firstly, 4106 patients with computed tomography images were used to pre-train the deep learning system, making it learn lung features. Following this, 1266 patients (924 with COVID-19 (471 had follow-up for >5 days) and 342 with other pneumonia) from six cities or provinces were enrolled to train and externally validate the performance of the deep learning system. In the four external validation sets, the deep learning system achieved good performance in identifying COVID-19 from other pneumonia (AUC 0.87 and 0.88, respectively) and viral pneumonia (AUC 0.86). Moreover, the deep learning system succeeded to stratify patients into high- and low-risk groups whose hospital-stay time had significant difference (p=0.013 and p=0.014, respectively). Without human assistance, the deep learning system automatically focused on abnormal areas that showed consistent characteristics with reported radiological findings. Deep learning provides a convenient tool for fast screening of COVID-19 and identifying potential high-risk patients, which may be helpful for medical resource optimisation and early prevention before patients show severe symptoms.

The tertiary epidermal growth factor receptor (EGFR) C797S mutation predominates in the acquired mutational resistance in cancer patients to third-generation EGFR inhibitors. Small-molecule inhibitors targeting the EGFR C797S mutation have been developed with good efficiency. However, these compounds may still induce new EGFR mutations to evade the inhibition pathway. One EGFR protein degrader based on an allosteric inhibitor has shown some benefits of degrading the EGFR L858R/T790M/C797S triple mutant. However, the degrader of the other important triple EGFR mutation Del19/T790M/C797S has not been reported. Here we present the design and synthesis of a series of EGFR proteolysis-targeting chimeras (PROTACs) that can rapidly and potently induce EGFR degradation in Ba/F3 cells expressing the EGFRDel19/T790M/C797S mutant. One representative compound 6h time- and dose-dependently induced EGFR degradation with a DC50 of 8 nM. It also showed good antiproliferation activity (IC50 = 0.02 μM) against Ba/F3-EGFRDel19/T790M/C797S cells. 6h may serve as a lead compound to develop therapeutic agents for the treatment of resistant non-small cell lung cancer patients with EGFR C797S mutants.

Large language models show promise for improving radiology workflows, but their performance on structured radiological tasks such as Reporting and Data Systems (RADS) categorization remains unexplored.