BMEF整期速递
BMEF 2024年第1期于近期正式出版，本期杂志内容丰富多样，汇集了5篇高水平的文章，包括Review 2 篇，Research Article 2篇，Perspective 1 篇。同时，本期杂志的所有内容也已在Science网站以及Pubmed、Web of Science等学术数据库上线，我们诚挚地邀请您查阅并分享这些精彩的学术成果。
BMEF 2024年第1期 文章情况
序号 | 文章类型 | 文章标题 | 通讯作者 |
1 | Review | Intracellular Protein Delivery: Approaches, Challenges, and Clinical Applications | Andrew Tsourkas |
2 | Review | Design and Evaluation of Synthetic Delivery Formulations for Peptide-Based Cancer Vaccines | Suzie H. Pun |
3 | Research Article | Real-Time Reconstruction of HIFU Focal Temperature Field Based on Deep Learning | Benpeng Zhu |
4 | Research Article | Controllable Thrombolysis Using a Nanobubble-Imaging-Guided rtPA Targeted Delivery Strategy | Fang Yang |
5 | Perspective | Making “CASES” for AI in Medicine | Ge Wang |
Intracellular Protein Delivery: Approaches, Challenges, and Clinical Applications
蛋白质生物制剂是一种强大的治疗剂，具有多种抑制和酶促功能。由于蛋白质通常无法穿过细胞膜，因此临床批准的蛋白质治疗药物仅针对细胞表面受体或分泌抗原。克服蛋白质的膜不渗透性将大大增加可能的治疗靶点数量，从而释放蛋白质药物治疗许多“疑难杂症”的潜力。本文重点介绍了实现蛋白质细胞内递送的进展，作者总结了实现蛋白质内部化的策略，并提出了细胞内蛋白质传递的现有挑战以及未来的展望。
（扫码阅读原文）
Design and Evaluation of Synthetic Delivery Formulations for Peptide-Based Cancer Vaccines
癌症疫苗的抗原形式多样，涵盖了肿瘤细胞裂解物、DNA、RNA、肽和蛋白质等。其中，基于肽的癌症疫苗因其结构明确、易于通过化学方法生产而独具优势。本文系统讨论了基于肽的癌症疫苗设计和评估中的关键考虑因素，包括肿瘤抗原的选择、影响癌症疫苗效率的机制、传递平台的开发、佐剂的整合、给药途径和临床前评估模型等。
（扫码阅读原文）
Real-Time Reconstruction of HIFU Focal Temperature Field Based on Deep Learning
准确实时监测HIFU病灶区域内的温度对临床癌症治疗具有重要的科学意义和实用价值。前人的研究主要通过纯理论建模方法、热电偶温度测量方法以及MRI温度监测技术等进行监测，但对HIFU焦域内温度分布的精确和实时监测仍然挑战性巨大。为了解决HIFU在临床应用中的遇到的困难，本研究朱本鹏教授团队提出了一种基于深度多模态Teacher-Student（Multi-Modal Teacher-Student，MMTS）模型的温度分布重建策略，研究团队分别在仿真模型、体外和体内实验中评估了MMTS模型的性能，通过研究仿真模型、体外和体内超声回波信号与温度之间的关系，成功地实现了HIFU聚焦二维温度场区域的实时重建，且模型精度与热电偶相当，最大温度误差小于2.5°C。
（扫码阅读原文）
Controllable Thrombolysis Using a Nanobubble-Imaging-Guided rtPA Targeted Delivery Strategy
（扫码阅读原文）
Making “CASES” for AI in Medicine
随着人工智能技术的飞速发展，其在医学领域的应用正在悄然改变我们的生活方式。从筛查、诊断到治疗与预后，AI正为医疗行业带来前所未有的变革；然而，要使AI真正融入临床实践，我们仍面临着众多挑战。在这篇Perspective中，GE WANG 教授为我们提供了一个全新的视角——“CASES”，“CASES”是一个专为解决AI在医学领域所面临的挑战而定制的概念，它包括Confidence（置信度）、Adaptability（适应性）、Stability（稳定性）、Explainability（可解释性）和Security（安全性）五个关键要素。这五个要素共同构成了AI在医学领域应用的核心价值，它将助力AI在医学领域取得更大的突破。
Citation: Wang G. Making “CASES” for AI in Medicine. BME Front.2024;5:Article 0036.
（扫码阅读原文）
About BMEF
