求臻医学季度盘点 实体肿瘤FDA/NMPA新获批抗癌药物/适应症盘点

14a8f72d4adebc2d6d71b91d3d60926a.jpeg

肿瘤诊疗已全面进入精准时代,癌症分子病理及靶向治疗取得了诸多突破,越来越多的肿瘤靶向药物和免疫药物获批上市,开启了一个又一个里程碑。求臻医学根据美国食品药品监督管理局(FDA)公布信息、中国国家药品监督管理局(NMPA)发布的药品批准证明文件,以及各公司的公开信息,为大家整理了一季度FDA/NMPA获批的针对实体肿瘤的靶向、免疫类药物及其适应症情况。

该盘点共涉及17种药物,涵盖了非小细胞肺癌、小细胞肺癌、结直肠癌、胃或胃食管交界处腺癌、乳腺癌、神经胶质瘤、子宫内膜癌、尿路上皮癌等多种实体肿瘤。


实体瘤

98009f55aec3bd58d08458a50d677ed5.jpeg



非小细胞肺癌

3c1ac006e6b4d11832ba49cfeed21f8e.jpeg



小细胞肺癌

e354e90414bc0447d80d75679875cbc7.jpeg



结直肠癌

f1c084f5615608b67beac3bcf783f0c2.jpeg



胃或胃食管交界处腺癌

769bd343fc5e56d2ddf93e68b210e652.jpeg



乳腺癌

df988e8ec88a3ddc35de4fe929211035.jpeg



神经胶质瘤

aae845e75296a68176d3f8351dce5d2b.jpeg



子宫内膜癌

7167b2906598f06f09f281005cff9fae.jpeg



尿路上皮癌

d36e09443d412809ddf6b6580b22c4f8.jpeg



肝癌

35f11c284db0b67e4064d49773420588.jpeg



默克尔细胞癌

4bdcd01b1ddaf1f0f065882d047bc4dd.jpeg


注:内容整理自网络可查的公开信息,部分已获批的仿制药/生物类似药在本文中未列出。


数据来源:

[1] https://www.fda.gov/drugs/resources-information-approved-drugs.

[2] 中国国家药监局药品批准证明文件待领取信息.

[3] https://ir.beigene.com/news/beigene-receives-10th-approval-for-pd-1-inhibitor-tislelizumab-in-china/a92a3ed5-ae46-440e-90d2-8024a2c13930/

[4] https://www.medsci.cn/article/show_article.do?id=7b23e639794e

[5] https://mp.weixin.qq.com/s/VC7RcbaaH7eYIQHxz0dZJQ

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
。支持yolov5s,yolov5m,yolov5l.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值