Introduction: Novel Frontiers in Cancer Metastasis

Clinical & Experimental Metastasis -     

Effect of the Lipid Fraction of Microalgae on Biochemical Parameters in Female C57BL/6 Mice

Bulletin of Experimental Biology and Medicine - We studied the effect of microalgae of various systematic groups added to the ration on the biochemical parameters of blood serum and liver and...     

Correction to: “Living with COVID”—implications for immunosuppressed and immunocompromised

Clinical Rheumatology -     

Association of TPH1 and TPH2 Gene Polymorphisms with the Risk of Developing Psychoneurological Disorders

Neuroscience and Behavioral Physiology - The question of the involvement of impairments to the metabolism of melatonin and its precursors (tryptophan and serotonin) in the development of...     

地鳖纤溶蛋白口服时间/pH依赖结肠靶向微囊的开发及评价＊

地鳖中的纤溶活性蛋白是从地鳖中提取的具有抗栓及抗肿瘤作用的有效成分，其口服易被上消化道酶分解从而限制了应用。采用恒流泵滴制法开发地鳖纤溶活性蛋白时间/pH依赖口服结肠靶向微囊（EnpolypHaga fibrinolytic protein oral colon targeting microcapsules， CTM-EFP）。采用单因素实验和正交实验相结合的方法寻找到包封率为60.17 % ± 2.72 %、载药量为15.50 % ± 0.44 % 的最佳配方。扫描电子显微镜（SEM）显示微囊呈球形、表面光滑，在人工肠液中24 h的累积释放度为99.53 % ± 0.69 %，在人工胃液中24 h累积释放度为7.43 ± 1.04 %，通过时间/pH依赖达到结肠靶向作用。CTM-EFP在人工肠液中的体外释放曲线符合Korsmeyer方程，提示地鳖纤溶活性蛋白（EnpolypHaga fibrinolytic protein， EFP）是通过扩散和侵蚀机制结合释放的。CTM-EFP为EFP的口服给药提供了一种新的剂型，为EFP应用于临床提供参考。     

基于超声影像组学的乳腺癌预测模型的诊断性能研究

目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例，以2018年8月31日为节点将其分为训练集（526例）和验证集（302例），提取肿块的超声影像组学特征并进行特征筛选，运用k最近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、随机森林（RF）和支持向量机（SVM）5种机器学习算法分别建立预测模型，使用重复交叉验证方法做内部验证，计算比较各模型的敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV），并实施外部验证，绘制ROC曲线并比较ROC曲线下面积（AUC）以评价模型的鉴别诊断性能，绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中，5种模型的敏感度、特异度、PPV、NPV比较，总体差异均有统计学意义（P均＜0.001）。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778，3项指标均高于其他4种模型；敏感度中位数为0.824，高于kNN、RF和SVM模型。此外，SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759，虽均低于LR模型，但均高于其他3种模型。在外部验证中，LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703，其中LR与SVM的AUC差异有统计学意义（P=0.012）；此外，各模型在校准性能上表现并不一致，LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础，运用不同机器学习算法建立的乳腺癌超声预测模型，均表现出较高的诊断性能，其中LR模型表现最为突出；选择合适的机器学习算法有助于进一步提高预测模型的诊断性能，提供更加准确的量化预测结果。