Importance Myopic maculopathy (MM) is a major cause of vision impairment globally. Artificial intelligence (AI) and deep learning (DL) algorithms for detecting MM from fundus images could potentially improve diagnosis and assist screening in a variety of health care settings. Objectives To evaluate DL algorithms for MM classification and segmentation and compare their performance with that of ophthalmologists. Design, Setting, and Participants The Myopic Maculopathy Analysis Challenge (MMAC) was an international competition to develop automated solutions for 3 tasks: (1) MM classification, (2) segmentation of MM plus lesions, and (3) spherical equivalent (SE) prediction. Participants were provided 3 subdatasets containing 2306, 294, and 2003 fundus images, respectively, with which to build algorithms. A group of 5 ophthalmologists evaluated the same test sets for tasks 1 and 2 to ascertain performance. Results from model ensembles, which combined outcomes from multiple algorithms submitted by MMAC participants, were compared with each individual submitted algorithm. This study was conducted from March 1, 2023, to March 30, 2024, and data were analyzed from January 15, 2024, to March 30, 2024. Exposure DL algorithms submitted as part of the MMAC competition or ophthalmologist interpretation. Main Outcomes and Measures MM classification was evaluated by quadratic-weighted κ (QWK), F1 score, sensitivity, and specificity. MM plus lesions segmentation was evaluated by dice similarity coefficient (DSC), and SE prediction was evaluated by R 2 and mean absolute error (MAE). Results The 3 tasks were completed by 7, 4, and 4 teams, respectively. MM classification algorithms achieved a QWK range of 0.866 to 0.901, an F1 score range of 0.675 to 0.781, a sensitivity range of 0.667 to 0.778, and a specificity range of 0.931 to 0.945. MM plus lesions segmentation algorithms achieved a DSC range of 0.664 to 0.687 for lacquer cracks (LC), 0.579 to 0.673 for choroidal neovascularization, and 0.768 to 0.841 for Fuchs spot (FS). SE prediction algorithms achieved an R 2 range of 0.791 to 0.874 and an MAE range of 0.708 to 0.943. Model ensemble results achieved the best performance compared to each submitted algorithms, and the model ensemble outperformed ophthalmologists at MM classification in sensitivity (0.801; 95% CI, 0.764-0.840 vs 0.727; 95% CI, 0.684-0.768; P = .006) and specificity (0.946; 95% CI, 0.939-0.954 vs 0.933; 95% CI, 0.925-0.941; P = .009), LC segmentation (DSC, 0.698; 95% CI, 0.649-0.745 vs DSC, 0.570; 95% CI, 0.515-0.625; P < .001), and FS segmentation (DSC, 0.863; 95% CI, 0.831-0.888 vs DSC, 0.790; 95% CI, 0.742-0.830; P < .001). Conclusions and Relevance In this diagnostic study, 15 AI models for MM classification and segmentation on a public dataset made available for the MMAC competition were validated and evaluated, with some models achieving better diagnostic performance than ophthalmologists.

Resistance to chemotherapy has been a major hurdle that limits therapeutic benefits for many types of cancer. Here we systematically identify genetic drivers underlying chemoresistance by performing 30 genome-scale CRISPR knockout screens for seven chemotherapeutic agents in multiple cancer cells. Chemoresistance genes vary between conditions primarily due to distinct genetic background and mechanism of action of drugs, manifesting heterogeneous and multiplexed routes towards chemoresistance. By focusing on oxaliplatin and irinotecan resistance in colorectal cancer, we unravel that evolutionarily distinct chemoresistance can share consensus vulnerabilities identified by 26 second-round CRISPR screens with druggable gene library. We further pinpoint PLK4 as a therapeutic target to overcome oxaliplatin resistance in various models via genetic ablation or pharmacological inhibition, highlighting a single-agent strategy to antagonize evolutionarily distinct chemoresistance. Our study not only provides resources and insights into the molecular basis of chemoresistance, but also proposes potential biomarkers and therapeutic strategies against such resistance.

Abstract ChIP-seq and ATAC-seq have become essential technologies used as effective methods of measuring protein-DNA interactions and chromatin accessibility. However, there is a need for a scalable and reproducible pipeline that incorporates correct normalization between samples, adjustment of copy number variations, and integration of new downstream analysis tools. Here we present CoBRA, a modularized computational workflow which quantifies ChIP and ATAC-seq peak regions and performs unsupervised and supervised analysis. CoBRA provides a comprehensive state-of-the-art ChIP and ATAC-seq analysis pipeline that is usable by scientists with limited computational experience. This enables researchers to gain rapid insight into protein-DNA interactions and chromatin accessibility through sample clustering, differential peak calling, motif enrichment, comparison of sites to a reference DB and pathway analysis. Code availability: https://bitbucket.org/cfce/cobra

Background In Alzheimer's disease (AD), tau and white matter lesion pathology are associated with clinical severity and subsequent decline, but their relative relationships with clinical assessments remain uncertain. Objective To examine cross-sectional and prognostic associations between baseline [ 18 F]GTP1 tau positron emission tomography (PET) standardized uptake value ratio (SUVRs) and T1 white matter hypointensity (WMHypo) volumes with clinical indices. Methods We analyzed participants with biomarker-confirmed prodromal (n = 127) or mild (n = 233) AD with baseline [ 18 F]GTP1 tau PET and MRI and longitudinal Clinical Dementia Rating-Sum of Boxes (CDR-SB), 13-item version of the Alzheimer's Disease Assessment Scale-Cognitive Subscale (ADAS-Cog13), Repeatable Battery for the Assessment of Neuropsychological Status (RBANS), Mini-Mental Status Examination (MMSE), and Alzheimer's Disease Cooperative Study-Activities of Daily Living (ADCS-ADL) data. Results Higher baseline [ 18 F]GTP1 SUVRs were independently associated with poorer baseline performance and faster rates of subsequent decline on all five clinical outcome measures. Higher baseline WMHypo volumes were independently associated with poorer baseline performance on the CDR-SB, ADAS-Cog13, RBANS, and MMSE and faster rates of subsequent decline on the CDR-SB and ADCS-ADL. Conclusions The independent associations of tau and white matter lesion pathology with clinical decline in AD suggest future prognostic models should include both imaging modalities.

Stroke, the second leading cause of mortality globally, predominantly results from ischemic conditions. Immediate attention and diagnosis, related to the characterization of brain lesions, play a crucial role in patient prognosis. Standard stroke protocols include an initial evaluation from a non-contrast CT to discriminate between hemorrhage and ischemia. However, non-contrast CTs lack sensitivity in detecting subtle ischemic changes in this phase. Alternatively, diffusion-weighted MRI studies provide enhanced capabilities, yet are constrained by limited availability and higher costs. Hence, we idealize new approaches that integrate ADC stroke lesion findings into CT, to enhance the analysis and accelerate stroke patient management. This study details a public challenge where scientists applied top computational strategies to delineate stroke lesions on CT scans, utilizing paired ADC information. Also, it constitutes the first effort to build a paired dataset with NCCT and ADC studies of acute ischemic stroke patients. Submitted algorithms were validated with respect to the references of two expert radiologists. The best achieved Dice score was 0.2 over a test study with 36 patient studies. Despite all the teams employing specialized deep learning tools, results reveal limitations of computational approaches to support the segmentation of small lesions with heterogeneous density.

Kanamycin (KAN) is widely used as a growth hormone analog and an antibacterial agent. However, abuse of this substance has resulted in the accumulation of excessive residue levels in foods of animal origin, which presents a significant risk to human health. A chemiluminescent aptasensor was constructed for the rapid quantitative detection of KAN by combining the properties of Co