Медичний факультет
Permanent URI for this collectionhttps://ekhsuir.kspu.edu/handle/123456789/7964
Browse
Search Results
Item ЦИТОКІНІНДУКОВАНІ ЗМІНИ В ПОГЛИНАННІ ГЛЮКОЗИ ТА АКТИВНОСТІ ПІРУВАТКІНАЗИ В ОРГАНОТИПОВИХ КУЛЬТУРАХ(2025) Шкуропат, А. В.; Швець, В. А.; Головченко, І. В.; Гасюк, О. М.; Shkuropat, A. V.; Shvets, V. A.; Golovchenkо, I. V.; Hasiuk, O. M.Інтенсивність поглинання глюкози залежить від факторів, що впливають на її транспортери (GLUT). Вплив інтерлейкіну-2 (ІЛ-2) на поглинання глюкози суперечливий, а еритропоетин має антиапоптотичні властивості та знижує вміст глюкози. Мета нашого дослідження – з›ясувати вплив еритропоетину та ІЛ-2 на поглинання глюкози та активність піруваткінази М2 (PKM2) в органотипових культурах головного мозку, печінки та скелетних м›язів. Дослідження проводили на органотипових культурах, отриманих з печінки, головного мозку та скелетних м›язів білих лабораторних мишей. Культури інкубували з ІЛ-2 (5000, 7500 МО/мл), еритропоетином (13, 6,5 і 1,3 МО/мл) та без стимуляції (контроль). Органотипові культури печінки характеризувалися найнижчим рівнем поглинання глюкози. ІЛ-2 збільшував поглинання глюкози всіма культурами, а еритропоетин – тільки органотиповами культурами скелетних м›язів. Активність РКМ2 залежала від виду цитокінів: ІЛ-2 у низькій концентрації збільшував активність у органотипових культурах печінки та скелетних м›язів, еритропоетин у високій концентрації – знижував в органотипових культурах скелетних м›язів. Припускається, що еритропоетин активує GLUT4 у скелетних м›язах, а ІЛ-2 активує GLUT1 в усіх культурах, можливо, із залученням інших механізмів. Клітини, які збільшили активність PKM2 під впливом ІЛ-2, змінюють метаболізм з анаеробного на аеробний, а клітини зі зниженою активністю PKM2 під впливом еритропоетину, можливо, переключають метаболізм на гліколітичний шлях. Glucose uptake is regulated by the activity of glucose trans- porters (GLUT), which are influenced by various factors. The effects of interleukin-2 (IL-2) on glucose uptake remain con- troversial, while erythropoietin is known for its anti-apoptotic properties and glucose-lowering effects. This study aimed to evaluate the impact of IL-2 and erythropoietin on glucose up- take and pyruvate kinase M2 (PKM2) activity in organotypic cultures of brain, liver, and skeletal muscle. Organotypic cul- tures were prepared from white laboratory mice and incubated with IL-2 (5000 and 7500 IU/ml), erythropoietin (13, 6.5, and 1.3 IU/ml), or left untreated (control). Among all tissues, liver cultures exhibited the lowest glucose uptake. IL-2 increased glucose uptake in all culture types, while erythropoietin en- hanced uptake only in skeletal muscle cultures. PKM2 activity was cytokine- and tissue-dependent: low-dose IL-2 elevated PKM2 activity in liver and skeletal muscle cultures, whereas high-dose erythropoietin reduced PKM2 activity in skeletal muscle. These findings suggest that erythropoietin may activate GLUT4 in skeletal muscle, while IL-2 may act via GLUT1 across all tissue types, possibly involving other mechanisms. The observed increase in PKM2 activity under IL-2 stimula- tion may indicate a shift toward aerobic metabolism, while erythropoietin-induced decreases in PKM2 activity may reflect a shift toward glycolytic pathway.Item ПРОГНОСТИЧНІ МОДЕЛІ ДЛЯ ОБРОБКИ ТА ІНТЕРПРЕТАЦІЇ ЗОБРАЖЕНЬ В ОНКОЛОГІЇ(2025) Шкуропат, А. В.; Жидко, А. В.; Shkuropat, A. V.; Zhydko, A. V.У 2020 році кількість вперше встановлених онкопатологій у світі склала 19,29 мільйона випадків, кількість смертей – 9,96 мільйона. В Україні протягом 2023 року було зареєстровано 106151 випадок вперше виявлених злоякісних новоутворень, кількість смертей склала 42642 випадки. Останні десятиліття спостерігається збільшення ролі штучного інтелекту в скрінінгу, діагностиці, прогнозах виникнення та ускладнень онкопатологій. Різні моделі нейронних мереж демонструють спроможність працювати з різними типами даних, обробляти великий масиви даних. Метою статті є окреслити основні перспективи та проблеми використання нейронних мереж в аналізі та інтерпретації візуальних даних в онкології, а саме при діагностиці та прогнозуванні онкопатологій на основі візуальних даних. Літературні джерела для аналізу відбирали в загальнодоступній базі даних PubMed. Ключові слова для пошуку використовували «oncology», «artificial intelligence», «visualisation». Для аналізу відбиралися статті, опубліковані з 2020 по 2025 рік. Звернення до бази даних робили 21.03.2025 року. Загалом було знайдено 2131 дослідження. аналіз літературних джерел продемонстрував, що для інтерпретації зображень таких, як гістопатологічні знімки, ендоскопія, УЗД, МРТ, КТ, ренгенографія, переважно використовуються алгоритми deep learning. Всі проаналізовані статті, де ШІ використовувався для аналізу медичних зображень вказували на AUC вище 0,75. В дослідженнях, що проводили порівняння ефективності діагностики злоякісних новоутворень за допомогою ШІ та профільним лікарем, їх AUC не мала статистично значимої різниці. Проте, дослідження проводяться на ретроспективних даних, тобто навчання ШІ проходить у ідеалізованих умовах. In 2020, the number of newly diagnosed oncological pathologies worldwide amounted to 19.29 million cases, with 9.96 million deaths. In Ukraine, 106,151 cases of newly detected malignant neoplasms were registered in 2023, with 42,642 deaths. In recent decades, the role of artificial intelligence in screening, diagnosis, and prognosis of oncological pathologies and complications has increased. Various neural network models demonstrate the ability to work with different types of data and process large datasets. The aim of the article is to outline the main prospects and challenges of using neural networks in the analysis and interpretation of visual data in oncology, specifically in the diagnosis and prognosis of oncological pathologies based on visual data. Literature sources for analysis were selected from the publicly accessible PubMed database. Keywords used for the search were «oncology», «artificial intelligence», «visualization». Articles published from 2020 to 2025 were selected for analysis. The database query was made on March 21, 2025. A total of 2131 studies were found. The analysis of literature sources demonstrated that deep learning algorithms are predominantly used for the interpretation of images such as histopathological images, endoscopy, ultrasound, MRI, CT, and radiography. All analyzed articles where AI was used for medical image analysis indicated an AUC above 0.75. In studies comparing the effectiveness of malignant neoplasm diagnosis using AI and specialized physicians, no statistically significant differences in AUC were observed. However, the studies are conducted on retrospective data, meaning AI training was performed under idealized conditions.