Background Despite its high sensitivity in diagnosing coronavirus disease 2019 (COVID-19) in a screening population, the chest CT appearance of COVID-19 pneumonia is thought to be nonspecific. Purpose To assess the performance of radiologists in the United States and China in differentiating COVID-19 from viral pneumonia at chest CT. Materials and Methods In this study, 219 patients with positive COVID-19, as determined with reverse-transcription polymerase chain reaction (RT-PCR) and abnormal chest CT findings, were retrospectively identified from seven Chinese hospitals in Hunan Province, China, from January 6 to February 20, 2020. Two hundred five patients with positive respiratory pathogen panel results for viral pneumonia and CT findings consistent with or highly suspicious for pneumonia, according to original radiologic interpretation within 7 days of each other, were identified from Rhode Island Hospital in Providence, RI. Three radiologists from China reviewed all chest CT scans (n = 424) blinded to RT-PCR findings to differentiate COVID-19 from viral pneumonia. A sample of 58 age-matched patients was randomly selected and evaluated by four radiologists from the United States in a similar fashion. Different CT features were recorded and compared between the two groups. Results For all chest CT scans (n = 424), the accuracy of the three radiologists from China in differentiating COVID-19 from non-COVID-19 viral pneumonia was 83% (350 of 424), 80% (338 of 424), and 60% (255 of 424). In the randomly selected sample (n = 58), the sensitivities of three radiologists from China and four radiologists from the United States were 80%, 67%, 97%, 93%, 83%, 73%, and 70%, respectively. The corresponding specificities of the same readers were 100%, 93%, 7%, 100%, 93%, 93%, and 100%, respectively. Compared with non-COVID-19 pneumonia, COVID-19 pneumonia was more likely to have a peripheral distribution (80% vs 57%, P < .001), ground-glass opacity (91% vs 68%, P < .001), fine reticular opacity (56% vs 22%, P < .001), and vascular thickening (59% vs 22%, P < .001), but it was less likely to have a central and peripheral distribution (14% vs 35%, P < .001), pleural effusion (4% vs 39%, P < .001), or lymphadenopathy (3% vs 10%, P = .002). Conclusion Radiologists in China and in the United States distinguished coronavirus disease 2019 from viral pneumonia at chest CT with moderate to high accuracy. © RSNA, 2020 Online supplemental material is available for this article.A translation of this abstract in Farsi is available in the supplement. ترجمه چکیده این مقاله به فارسی، در ضمیمه موجود است.

Background Coronavirus disease 2019 (COVID-19) and pneumonia of other diseases share similar CT characteristics, which contributes to the challenges in differentiating them with high accuracy. Purpose To establish and evaluate an artificial intelligence (AI) system for differentiating COVID-19 and other pneumonia at chest CT and assessing radiologist performance without and with AI assistance. Materials and Methods A total of 521 patients with positive reverse transcription polymerase chain reaction results for COVID-19 and abnormal chest CT findings were retrospectively identified from 10 hospitals from January 2020 to April 2020. A total of 665 patients with non-COVID-19 pneumonia and definite evidence of pneumonia at chest CT were retrospectively selected from three hospitals between 2017 and 2019. To classify COVID-19 versus other pneumonia for each patient, abnormal CT slices were input into the EfficientNet B4 deep neural network architecture after lung segmentation, followed by a two-layer fully connected neural network to pool slices together. The final cohort of 1186 patients (132 583 CT slices) was divided into training, validation, and test sets in a 7:2:1 and equal ratio. Independent testing was performed by evaluating model performance in separate hospitals. Studies were blindly reviewed by six radiologists without and then with AI assistance. Results The final model achieved a test accuracy of 96% (95% confidence interval [CI]: 90%, 98%), a sensitivity of 95% (95% CI: 83%, 100%), and a specificity of 96% (95% CI: 88%, 99%) with area under the receiver operating characteristic curve of 0.95 and area under the precision-recall curve of 0.90. On independent testing, this model achieved an accuracy of 87% (95% CI: 82%, 90%), a sensitivity of 89% (95% CI: 81%, 94%), and a specificity of 86% (95% CI: 80%, 90%) with area under the receiver operating characteristic curve of 0.90 and area under the precision-recall curve of 0.87. Assisted by the probabilities of the model, the radiologists achieved a higher average test accuracy (90% vs 85%, Δ = 5, P < .001), sensitivity (88% vs 79%, Δ = 9, P < .001), and specificity (91% vs 88%, Δ = 3, P = .001). Conclusion Artificial intelligence assistance improved radiologists' performance in distinguishing coronavirus disease 2019 pneumonia from non-coronavirus disease 2019 pneumonia at chest CT. © RSNA, 2020 Online supplemental material is available for this article.

Abstract Purpose: Isocitrate dehydrogenase (IDH) mutations in glioma patients confer longer survival and may guide treatment decision making. We aimed to predict the IDH status of gliomas from MR imaging by applying a residual convolutional neural network to preoperative radiographic data. Experimental Design: Preoperative imaging was acquired for 201 patients from the Hospital of University of Pennsylvania (HUP), 157 patients from Brigham and Women's Hospital (BWH), and 138 patients from The Cancer Imaging Archive (TCIA) and divided into training, validation, and testing sets. We trained a residual convolutional neural network for each MR sequence (FLAIR, T2, T1 precontrast, and T1 postcontrast) and built a predictive model from the outputs. To increase the size of the training set and prevent overfitting, we augmented the training set images by introducing random rotations, translations, flips, shearing, and zooming. Results: With our neural network model, we achieved IDH prediction accuracies of 82.8% (AUC = 0.90), 83.0% (AUC = 0.93), and 85.7% (AUC = 0.94) within training, validation, and testing sets, respectively. When age at diagnosis was incorporated into the model, the training, validation, and testing accuracies increased to 87.3% (AUC = 0.93), 87.6% (AUC = 0.95), and 89.1% (AUC = 0.95), respectively. Conclusions: We developed a deep learning technique to noninvasively predict IDH genotype in grade II–IV glioma using conventional MR imaging using a multi-institutional data set. Clin Cancer Res; 24(5); 1073–81. ©2017 AACR.

Previous studies have shown that MR imaging features can be used to predict survival and molecular profile of glioblastoma. However, no study of a similar type has been performed on lower-grade gliomas (LGGs).Presurgical MRIs of 165 patients with diffuse low- and intermediate-grade gliomas (histological grades II and III) were scored according to the Visually Accessible Rembrandt Images (VASARI) annotations. Radiomic models using automated texture analysis and VASARI features were built to predict isocitrate dehydrogenase 1 (IDH1) mutation, 1p/19q codeletion status, histological grade, and tumor progression.Interrater analysis showed significant agreement in all imaging features scored (k = 0.703-1.000). On multivariate Cox regression analysis, no enhancement and a smooth non-enhancing margin were associated with longer progression-free survival (PFS), while a smooth non-enhancing margin was associated with longer overall survival (OS) after taking into account age, grade, tumor location, histology, extent of resection, and IDH1 1p/19q subtype. Using logistic regression and bootstrap testing evaluations, texture models were found to possess higher prediction potential for IDH1 mutation, 1p/19q codeletion status, histological grade, and progression of LGGs than VASARI features, with areas under the receiver-operating characteristic curves of 0.86 ± 0.01, 0.96 ± 0.01, 0.86 ± 0.01, and 0.80 ± 0.01, respectively.No enhancement and a smooth non-enhancing margin on MRI were predictive of longer PFS, while a smooth non-enhancing margin was a significant predictor of longer OS in LGGs. Textural analyses of MR imaging data predicted IDH1 mutation, 1p/19q codeletion, histological grade, and tumor progression with high accuracy.

Abstract Radiofrequency ablation (RFA) promotes tumor antigen-specific T cell responses and enhances the effect of immunotherapy in preclinical settings. Here we report that the existence of remnant tumor masses due to incomplete RFA (iRFA) is associated with earlier new metastases and poor survival in patients with colorectal cancer liver metastases (CRCLM). Using mouse models, we demonstrate that iRFA promotes tumor progression and hinders the efficacy of anti-PD-1 therapy. Immune analysis reveals that iRFA induces sustained local inflammation with predominant myeloid suppressor cells, which inhibit T cell function in tumors. Mechanistically, tumor cell-derived CCL2 is critical for the accumulation of monocytes and tumor-associated macrophages (TAMs). The crosstalk between TAMs and tumor cells enhances the CCL2 production by tumor cells. Furthermore, we find that administration of a CCR2 antagonist or the loss of CCL2 expression in tumor cells enhances the antitumor activity of PD-1 blockade, providing a salvage alternative for residual tumors after iRFA.

Genome-wide association studies of brain imaging phenotypes are mainly performed in European populations, but other populations are severely under-represented. Here, we conducted Chinese-alone and cross-ancestry genome-wide association studies of 3,414 brain imaging phenotypes in 7,058 Chinese Han and 33,224 white British participants. We identified 38 new associations in Chinese-alone analyses and 486 additional new associations in cross-ancestry meta-analyses at P < 1.46 × 10

Summary Tumor growth is manifestation of the evolution of a complex system. Researchers have limited scope of modelling studies on specific aspects or stages of the process. It has led to unsatisfactory explanation of clinical observations. We hereby demonstrated that an inhomogeneous model built on the generalized logistic equation could serve better. It was developed to describe the whole process of tumor progression, clinically observed independence of index tumor growth from spread of the disease and growth deceleration during early stage of solid tumors. It was validated by simulating the coexistence of exponential and sigmoidal growth in chronic lymphocytic leukaemia, theories of tumor heterogeneity, as well as by accommodating notions pertaining to tumor treatment and prognosis. We thought therefore it was an interesting and not unjustifiable description of actual tumor growth in human body and hoped it might encourage more researchers to look at tumor modelling from a clinical perspective.

Radiotherapy is the primary treatment for nasopharyngeal carcinoma, but it frequently leads to radiotherapy-induced temporal lobe injury (RTLI). Magnetic resonance imaging (MRI) is the main diagnostic method for RTLI after radiotherapy for nasopharyngeal carcinoma, but it is prone to missed diagnoses. This study aims to investigate the causes of missed diagnoses of RTLI in nasopharyngeal carcinoma patients undergoing MRI after radiotherapy.

Urbanicity, the impact of living in urban areas, is among the greatest environmental challenges for mental health. While urbanicity might be distinct in different sociocultural conditions and geographic locations, there are likely to exist common features shared in different areas of the globe. Understanding these common and specific relations of urbanicity with human brain and behavior will enable to assess the impact of urbanicity on mental disorders, especially in childhood and adolescence, where prevention and early interventions are likely to be most effective. We constructed from satellite-based remote sensing data a factor for urbanicity that was highly correlated with population density ground data. This factor, 'UrbanSat' was utilized in the Chinese CHIMGEN sample (N=831) and the longitudinal European IMAGEN cohort (N=810) to investigate if exposure to urbanicity during childhood and adolescence is associated with differences in brain structure and function in young adults, and if these changes are linked to behavior. Urbanicity was found negatively correlated with medial prefrontal cortex volume and positively correlated with cerebellar vermis volume in young adults from both China and Europe. We found an increased correlation of urbanicity with functional network connectivity within- and between- brain networks in Chinese compared to European participants. Urbanicity was highly correlated with a measure of perceiving a situation from the perspective of others, as well as symptoms of depression in both datasets. These correlations were mediated by the structural and functional brain changes observed. Susceptibility to urbanicity was greatest in two developmental windows during mid-childhood and adolescence. Using innovative technology, we were able to probe the relationship between urban upbringing with brain change and behavior in different sociocultural conditions and geographic locations. Our findings help to identify shared and distinct determinants of adolescent brain development and mental health in different regions of the world, thus contributing to targeted prevention and early-intervention programs for young people in their unique environment. Our approach may be relevant for public health, policy and urban planning globally.

Ordinary commercial diamond spherical wheels are extensively used in bone grinding surgeries. However, a persistent issue arises from bone debris adhering to the wheel surface, leading to elevated temperatures during the bone grinding process. To address this, the study developed a novel spherical wheel with a superhydrophobic and super-slippery coating to prevent the bone debris adhesion. Initially, a superhydrophobic and super-slippery coating was successfully designed and fabricated with mixture of ODA-GO, PDMS, KH-550, and epoxy resin E44. The coating's surface morphology, chemical composition, and durability were comprehensively characterized. Subsequently, the coating was applied to diamond spherical grinding wheels for bone grinding experiments. The results demonstrate that a coating with exposed ODA-GO forms a rough structure with optimal component parameters, achieving a contact angle of 158° and a sliding angle of 4.2°. Furthermore, the superhydrophobic and super-slippery coating exhibits exceptional wear and slipperiness resistance even after 100 cycles, maintaining a contact angle of 135° and a sliding angle of 8.5°. The use of this novel spherical wheel significantly mitigates bone debris adhesion. This study not only provides valuable insights into the mechanisms of anti-adhesion but also introduces a promising technique for enhancing the performance of diamond spherical wheels.