CN119522458A 用于通过深度学习来确定癌症疗法的系统和方法 (阿泰拉公司)_第1页
CN119522458A 用于通过深度学习来确定癌症疗法的系统和方法 (阿泰拉公司)_第2页
CN119522458A 用于通过深度学习来确定癌症疗法的系统和方法 (阿泰拉公司)_第3页
CN119522458A 用于通过深度学习来确定癌症疗法的系统和方法 (阿泰拉公司)_第4页
CN119522458A 用于通过深度学习来确定癌症疗法的系统和方法 (阿泰拉公司)_第5页
已阅读5页,还剩112页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

2024.10.23PCT/US2023/0137012023.02.23WO2023/164051EN2023.08.31用于通过深度学习来确定癌症疗法的系统本公开提供了用于对对象的癌症进行分类和/或监测的方法和系统。用于评估对象的癌症的方法可以包括获得包括来自对象的图像和/或确定预测对用于治疗对象的癌症的治疗干预的2(b)使用经过训练的算法处理所述数据集以确定一输出,所述输出指示将所述数据集及(c)至少部分地基于将所述数据集分类为所述类别来评估所述癌症,其中所述评估包(i)计算所述对象在存在所述治疗干预的情况下且在存在放射疗法(RT)的情况下显示(ii)计算所述对象在不存在所述治疗干预的情况下且在存在放射疗法(RT)的情况下12.根据权利要求10或11所述的方法,其中当所述概率增量高于所述参考标准时所述316.根据权利要求1_15中任一项所述的方法,其中所述治疗干预包括雄激素剥夺疗法18.根据权利要求1_17中任一项所述的方法,其中所述经过训练的算法是使用自监督21.根据权利要求20所述的方法,其中所述经过训练的算法包括处理所述图像数据的22.根据权利要求21所述的方法,其中所述经过训练的算法还包括处理所述第一经过27.根据权利要求1_25中任一项所述的方法,其中所述图像数据包括数字组织病理学28.根据权利要求27所述的方法,其中所述组织病理学数据包括源自所述对象的活检29.根据权利要求28所述的方法,其中所述图像是通过对所述活检样本进行的显微镜32.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质包括机器可执行代(b)使用经过训练的算法处理所述数据集以确定一输出,所述输出指示将所述数据集及(c)至少部分地基于将所述数据集分类为所述类别来评估所述癌症,其中所述评估包33.一种包括一个或多个计算机处理器和与其耦合的计算机存储器的系统,所述计算4(b)使用经过训练的算法处理所述数据集以确定一输出,所述输出指示将所述数据集及(c)至少部分地基于将所述数据集分类为所述类别来评估所述癌症,其中所述评估包5[0002]本申请要求于2022年2月24日提交的美国临时专利申请号63/313,505的权益,该男性特别受益于伴随有放射疗法的ADT,并因此目前的指南建议基于使用美国国家综合癌至少包括从对象获得或得到的图像数据的数据集;(b)使用经过训练的算法处理数据集以及(c)至少部分地基于将数据集分类为类别来评估癌症,其中评估包括确定预测对用于治6对象在不存在治疗干预的情况下且在存在放射疗法(RT)的情况下显示反应的第二概率;(iii)计算第一概率和第二概率之间的概率增量;以及(iv)将概率增量与参考标准进行比且在存在放射疗法(RT)的情况下显示反应的第二概率;(iii)计算第一概率和第二概率之时对象呈生物标志物阳性,并且其中当概率增量低于参考标准时对象对生物标志物呈阴[0014]本公开的另一方面提供了一种非暂时性计算机可读介质,其包括机器可执行代7[0021]图2A图2C显示了多模态深度学习系统和数据集的示例。图2A显示了多模态架构[0022]图3A图3H显示了在试验和结果中将深度学习系统与已建立的临床指南进行比较的示例。图3A显示了使用时间依赖性接受者操作员特性来报告MMAI(蓝色条)与NCCN(灰色条)模型的灵敏度和特异性的曲线下面积(AUC)的性能结果。在5年和10年时间点对以下二示了测试集的各个临床试验子集的性能比较—这五个子集一起构成了图3A中所示的整个8[0028]图9是显示来自经处理的临床试验数据的统计数据的表格。前五列列出了每次试来计算,并且跨特征进行归一化。图像重要性测量值为37.3其次是Gleason原发性:[0031]图12示出了使用经过训练的算法确定的开发群组(左)和验证群组(右)的增量评[0032]图13示出了按使用经过训练的算法确定的AI生物标志物子组(“生物标志物阳性”[0033]图14示出了跨阳性生物标志物组和阴性生物标志物组的远处转移(DM)和前列腺[0034]图15示出了美国国家综合癌症网络(NCCN)低_中等风险患者子组的阳性生物标志物组和阴性生物标志物组中的远处转移(DM)和前列腺癌特异性死亡率(PC[0035]图16示出了按使用经过训练的算法确定的AI生物标志物子组(“生物标志物阳性”9执行任何已知或未知的功能。核酸的非限制性示例包括脱氧核糖核酸(DNA)、核糖核酸产生与单链核酸分子互补的链,并且在一些情况下产生该链和/或单链核酸分子的一个或测当前患者的未来预期结果。由于缺乏易于获得的预后工具来更好地对患者进行风险分过使用在前列腺活检的数字组织病理学和临床数据上训练的新型多模态深度学习模型来量预测的或观察到的对治疗干预的反应)。此类对象可以包括具有一个或多个癌症相关类胞RNA收集管或无细胞DNA收集管))下储存。生监测对象的疾病或健康状况和/或确定对象对健康疾病/状况的倾向。在一些实施方式中,生物样本可以用于将样本和/或对象分类为癌症相关类别和/或将对象识别为具有特定的[0058]生物样本可以在对患有癌症的对象进行治疗之前和/或之后采集。生物样本可以或吸毒)或存在其他风险因素等因素而面临患癌症风险的对象采一些实施方式中,对样本进行测定以确定一种或多种代谢物(例如,前列腺特异性抗原查(诸如全切片成像(WSI))或本领域已知的[0063]本文所述的表格数据可以包括与对象的健康状态或状况(例如疾病)相关的任何后的图像进行图像分割算法以检测感兴趣的区域域)。然后对感兴趣的区域进行目标检测算法(例如,用于检测组织图像中的细胞核的算决于数据集的来源,不同的输入数据集可以具有以不同方式编码的相同参数值。例如,后的时间点取得数据。初始时间点和稍后的时间点可以间隔任何适当的时间量,诸如1小[0069]在使用一种或多种测定来处理源自对象的一个或多个生物样本以生成一个或多练期间被修改。第一隐藏层可以处理数据并通过第二组加权连接将其结果传输到下一层。们在训练期间(和训练之后)自我修改以提供所需的输出(诸如输出值)来编程的。在训练其可以被训练以将输入数据集映射到输出数据集,其中ANN包括组织成多层节点的互连节络(DNN))是包括多个隐藏层(例如两个或更多个隐藏层)的ANN。神经网络的每一层可以包层和输出层)的总数量可以为至少约[0079]在一些实施方式中,机器学习算法包括一个或多个CNN。CNN可以是深度和前馈以仅从前一层的受限子区域接收输入。卷积层的的性能和稳定性。批量归一化层可以为神经网络中的任何层提供均值/单位方差为零的输[0084]经过训练的算法可以被配置为接受多个输入变量并基于多个输入变量产生一个该两个值指示由分类器进行的对生物样本和/或对象的分类。经过训练的算法可以是另一值可以包括描述性标签。此类描述性标签可以提供对象的疾病或病症状态的识别或指示,时间和/或适合治疗被分类为特定癌症相关类别的对象的治疗地,可以使用n个截止值集将样本分类为n+1个可能的输出值中的一个,其中n是任何正整包括从已知具有癌症相关状态的多个对象获得或得到的生物样本以及相关联的数据集和有先前诊断出癌症相关状态或已收到癌症相关状态的阴性检测结果的多个对象获得或得练。独立训练样本可以包括与癌症相关类别的存在相关联的无细胞生物样本和临床数据和/或与癌症相关类别的不存在相关联的无细胞生物样本和临床数据。经过训练的算法可[0093]经过训练的算法可以使用第一数量的与癌症相关类别的存在相关联的独立训练与癌症相关类别的存在相关联的独立训练样本可以不大于第二数量的与癌症相关类别的相关类别的存在相关联的独立训练样本可以大于第二数量的与癌症相关类别的不存在相的似然之间的增量或偏差。第一分类和第二分类可以对应于本文所述的任何癌症相关类或分类为属于或不属于癌症相关类别的独立测试样本象或具有癌症相关类别的阴性临床测试结果的对象)[0098]经过训练的算法可以被配置为以至少约5%、至少约10%、至少约15%、至少约训练的算法来识别癌症相关类别的PPV可以计算为被识别或分类为具有癌症相关类别的无[0099]经过训练的算法可以被配置为以至少约5%、至少约10%、至少约15%、至少约训练的算法来识别癌症相关类别的NPV可以计算为被识别或分类为不具有癌症相关类别的[0100]经过训练的算法可以被配置为以至少约5%、至少约10%、至少约15%、至少约法来识别癌症相关类别的临床灵敏度可以计算为与癌症相关类别相关联的独立测试样本[0101]经过训练的算法可以被配置为以至少约5%、至少约10%、至少约15%、至少约法来识别癌症相关类别的临床特异性可以计算为与癌症相关类别的不存在相关联的独立本被正确识别或分类为不属于癌症相关类别。自对象的数据集分类为属于或不属于癌症相关类别时与经过训练的算法相关联的接收者最重要的子集,以将其纳入以用于高质量分类中,可以使用此类指标来显著减少可以用于将经过训练的算法训练到所需性能水平(例如大于约45、不大于约50或不大于约100个此类最有影响力或最重要的输入变量的选定子集[0107]在使用经过训练的算法处理数据集后,可以在对象中识别或监测癌症相关类别。识别的准确度可以计算为被正确识别或分类为属于或不属于癌症相关类别的独立测试样本(例如,已知属于癌症相关类别的对象99%或更大的阳性预测值(PPV)将对象确定为属于癌症相关类别。使用经过训练的算法来识别癌症相关类别的PPV可以计算为被识别或分类为属于癌症相关类别的生物样本的百分99%或更大的阴性预测值(NPV)在对象中识别癌症相关类别。使用经过训练的算法来识别癌症相关类别的NPV可以计算为被识别或分类为不具有癌症相关类别的生物样本的百分类别的临床灵敏度可以计算为与属于癌症相关于癌症相关类别的对象)的百分比,该独立测试样本被正确识别或分类为属于癌症相关类的临床特异性可以计算为与不属于癌症相关相关类别的阴性临床测试结果的对象)的百分比,该独立测试样本被正确识别或分类为不的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量测量)来确定实施方式中,临床干预选自多种临床干预(析)、蛋白质组学数据(包括一组癌症相关类别相关联蛋白质的数据集的蛋白质的定量测以向具有更高癌症相关类别风险或更晚期癌症相关类别的对象的概[0118]可以通过监测用于治疗对象的癌症或癌症相关状态的疗程来监测对象的癌症相蛋白质的定量测量)和/或代谢组数据(包括一据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量测量)的质的数据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量测据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量测量)的白质的数据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量关类别相关联蛋白质的数据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关新的治疗)。临床行动或决定可以包括建议对象进行二次临床测试以确认癌症相关类别的据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量测量)的质的数据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量测继续或结束当前治疗干预)。临床行动或决定可以包括建议对象进行二次临床测试以确认据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量测量)的据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联代谢物的定量测量)的癌症相关联蛋白质的数据集的蛋白质的定量测量)和/或代谢组数据(包括一组癌症相关联[0127]在使用经过训练的算法处理数据集后,可以在对象中识别或监测癌症相关类别。疗干预)的患者的反事实模型可以包括对象尚未用ADT进行治疗的指示,而尚未接受ADT作转移[DM]或癌症类型特异性死亡率)的可能性的差异可以被描述为增量评[0133]在一些情况下,子组包括未接受治疗干预且显示癌症相关类别(例如,对DM呈阳情况下,预期治疗增量大于0,因为对象在存在治疗干预的情况下对癌症相关类别呈阴性进行的治疗干预的反应。在一些情况下,如果预测对象在存在治疗干预的情况下表现出癌可以基于跨对象群体观察到的治疗增量的分布的百分位数来选择截止值。截止值可以对应何两个值之间。中,如果预测对象在用治疗干预进行治疗的情况下表现出癌症类型特异性死亡率(诸如前疗干预或对对象的癌症相关状态的进一步临床对象开具新的治疗干预或转换治疗干预(例如,结束当前治疗并开具新的治疗)的临床行效性的临床指征可以伴随为对象继续或结束当前治疗干预的临床行动。作为另一个示例,疗程对治疗对象的癌症相关状态的无效性的临床指征可以伴随为对象结束当前治疗干预[0146]本公开提供了被编程以实现本公开的方法的计算机系统。图1示出了计算机系统监测对象的癌症相关类别或状态,以及(v)以电子方式输出指示对象的癌症相关类别或状态的报告。计算机系统101可以是用户的电子设备或者相对于电子设备位于远程的计算机处理数据以确定对象的癌症相关类别,(iii)确定指示对象的癌症相关类别的定量测量,(iv)识别或监测对象的癌症相关类别,以及(v)以电子方式输出指示对象的癌症相关类别的报告。这种云计算可以由云计算平台(诸如,举例而言,AmazonWebServices(AWS130借助于计算机系统101可以实现对等网络,该对等网络可以使得耦合至计算机系统101[0150]CPU105可以包括一个或多个计算机处理器和/或一个或多个图形处理单元个或多个附加数据存储单元,该一个或多个附加数据存储单元对于计算机系统101是外部带或体现的机器(或处理器)可执行代码和/或相关数据的形式。机器可执行代码可以存储各种半导体存储器、磁带驱动器或磁盘驱动器,其可以在任何时间为软件编程提供非暂时的通信可以使软件能够从一台计算机或处理器加载到另一台计算机或处理器中,例如从管理服务器或主机加载到应用服务器的计算机平台中。因此,可以承载软件元素的另一类型介质。形式的计算机可读介质中的许多介质可以参与将一个或多个指令的一个或多个序列携载包括用户界面(UI)140,用于提供例如(i)指示经过训练的算法的训练和测试的视觉显示、例包括但不限于图形用户界面(GUI)和基经过训练的算法处理图像和/或表格数据以确定对象的癌症相关类别或癌症相关状态,[0162]本文公开的方法和系统通过使用在前列腺活检的数字组织病理学和临床数据上的算法,该经过训练的算法使用在数百个临床站点上运行的五个III期随机多国试验的数志物。使用五个III期随机临床试验的预后生物标志物局限性前列腺癌用于通过利用对数[0166]从对患有局限性前列腺癌的男性进行的五个大型多国随机III期临床试验(NRG/[0168]从数量变化的数字化组织病理学切片中有效地学习相关特征涉及几个预处理步输出128维向量表示。将所有这些向量以与原始块相同的空间方向拼接起来,产生H×W×128的张量(特征绗缝),其将最初巨大的图像绗缝压缩为对进一步的下游学习有用的紧凑数据标签从原始数据中提取并用于训练可用于[0170]为了将SSL过程引导至可能更有临床用途的块区域,基于核密度对数据集中的块数据用于通过屏蔽部分数据并训练模型以学习它们,经由自我监督预先训练TabNet架构。并为每个块提取模型特征(由模型输出的128维向量)。然后将均匀流形近似和投影算法赖性接受者操作特性曲线下的面积(AUC)来测量。灵敏度被定义为正确的阳性预测与显示据设置训练了附加MMAI模型:仅NCCN变量、仅病理学图像、病理学图像+NCCN变量(组合患者获取多种(大小可变的)数据类型以及临床数据的深度学习架构,构建了深度学习系数据的图像来预训练相应的SSL模型。使用本文其他地方描述的核密度采样对某些图像块以为每个图像绗缝生成W×H×128特征绗缝。用于预测的最终图像模型是具有批标准化和丢弃的2层CNN模型,该2层CNN模型将特征张量作为输入。最终的CNN模型以32的批处理大ADT(RTL)以及RT的剂量和体积水平(RT+)。由NRGOncology在两年的时间段内使用LeicaBiosystemsAperioAT2数字病理学扫描仪以20倍分辨率对切片进行了数字化。组织病理剩余的295个块上实现了97.6%的验证准确度。然后使用该伪影分类器在图像绗缝形成期预训练模型无法准确检测我们大多数切片中的核。为了解决这个问题,使用YOLOv5(/ultralytics/yolov5)目标检测方法训[0188]模型性能指标。(AUC)对于每个模型和每个结果,考虑到竞争事件,使用R包timeROC估计时间依赖性接受者操作特性。这是通过在区间[[0191]执行了一项研究,以确定用于除了对放射疗法反应之外,还对雄激素剥夺疗法和高风险前列腺癌的男性,并将患者随机进行伴随有4个月和24个月的ADT的放射疗法。伴随有或未伴随有4个月的ADT的放射疗法。NRG/RTOG9413招募了患有中等风险和高风险放射疗法和高剂量的放射疗法。包括ADT的使用的试验由使用了LHRH激动剂和抗雄激素的以识别从在局限性前列腺癌的放射疗法中添加ADT获得的不同益处。定义益处的一个终点时间。附加终点包括前列腺癌特异性死亡率(PCSM)、无转移生存期(MFS)和总体生存期[0199]组织病理学管道。在没有访问临床结果数据的情况下,来自NRGOncologyBiospecimenBank的治疗前活检切片被独立数字化。使用LeicaBiosystemsAperioAT2[0202]模型开发和验证。用于模型开发的训练群组包括来自NRG/RTOG9910和0126的患者。由于NRM/RTOG9910和每个都有助于一种感兴趣的治疗类型(分别为RT+ST_ADT和仅RT),因此使用逆治疗概率加权(IPTW)来确保两种治疗类型的患者具有可比的选定基线临基于训练数据的平均值和标准偏差对连续临床变量准偏差对128维特征向量进行标准化。来自同一患者的所有块水平的特征向量被堆叠以形[0205]逆概率治疗加权。由于开发集包括两个III期随机试验(NRG/RTOG一患者的所有块的图像向量的加权和,从每个患者的图像特征张量生成单个128维图像向集表示为Ei=1。风险集是在时间t时仍面临失败风险的患者集。[0214]在训练期间,对来自预后任务和预测任务的两个损失的[0215]多模态预测模型对ADT益处的大小的差异进行了优化,输出了本文上述的连续评患者被进一步排除在验证群组(NRG/RTOG9型之间的基线特征没有显著差异,并且NRG/RTOG9408的可评估群组代表已发布的总体试[0229]最终锁定的模型包括来自数字病理学切片的128个图像特征和7个临床变量(包括患有生物标志物阴性疾病的患者相比时,患有生物标志物阳性疾病的患者具有Gleason评风险的差异来衡量的ST_ADT的绝对益处为10.5%(9下,在患有生物标志物阴性疾病的患者中,ADT的添加所引起的15年DM风险降低了0.5%有生物标志物阳性疾病的接受ST_ADT的患者在PCSM方面具有显著的改善(sHR0得多,且具有更多的事件,但与只有RT相比,附加的ADT在PCSM方面没有显著改善,sHR验中使用新颖的深度学习方法并利用来自超过5,000多个患者的图像数据,我们成功地训一个用随机试验验证来显示用作预测性生物验证来证实生物标志物的性能。在预测性生物标志大或更小的相对益处的信息)的特定情况下,这可以在感兴趣的治疗的随机试验的背景下处。结果表明,超过60%的在NRG/RTOG9408中招募的中等风险患者可以避免不必要的用[0243]MFS和OS是用于确定给定疗法净效应的重要终点,并且是临床试验设计的黄金标(癌症驱动的终点)引起的ADT对PCS所述的ST_ADT预测性生物标志物可以作为从头开始的前瞻性生物标志物专用试验的一部射疗法的随机试验增强了我们工作的可信度和证据水平[24]。在该试验的实施和随访期定义随时间变化的影响。关于其他预后临床病理变量的信[0246]该实施例描述了在III期随机试验中成功开发并独立验证的预测性生物标志物,以使用新颖的基于AI衍生的数字病理学平台来指导ADT与放射疗法一起在局限性前列腺癌[0248]1.Jones,C.U.等人,AddingShort_TermAndrogenDeprivatiRadiationTherapyinMenWithLocalizedProstateCancer:Long_TermUpdateoftheNRG/RTOG9408RandomizedClinicalTrial,Int.J.Radiat.Oncol.Biol.Phys.[0249]2.Pilepich,M.V.等人,Androgensuppressionadjuvanttodefinitiveradiotherapyinprostatecarcinoma__long_termresultsofphaseIIIRTOG85_termFollow_upofaRandomizedTrialofRadiationWithorWithoutAndrogen[0251]4.Bolla,M.等人,ShortAndrogenSuppressionandRadiationDoseEscalationinProstateCancer:12_YearResultsofEORTCTrial22991inPatientsdefinitiveradiotherapyforlocalisedprostatecancer:anindividualpatientgroupprotocol92_02:aphaseIIItrialofthedurationofelectiveandrogendeprivationinlocallyadvancedprostatecancer,J.Clin.Oncol.26,2497–2504[0255]8.Roach,M.,3rd等人,PhaseIIItrialcomparingwhole_pelvicversusprostate_onlyradiotherapyandneoadjuvantversusadjuvantcombinedandrogensuppression:RadiationTherapyO[0256]9.Pisansky,T.M.等人,Durationofandrogensuppressionbeforeradiotherapyforlocalizedprostatecancer:radiationtherapyoncologygroupRadiationTherapyinMenWithLocalizedProstateCancer:Long_TermUpdateoftheNRG/RTOG9408RandomizedClinicalTrial,Int.J.Radiat.Oncol.Biol.Phys.TherapyforPatientsWithIntermediate_RiskProstateCancer,JAMAOncologyprostatecancerpathologyusingdeeplearning,NatureMachineIntelligence2,[0261]14.Nagpal,K.等人,DevelopmentandValidationofaDeepLearningAlgorithmforGleasonGradingofProstateCancerFromBiopsySpecimens,JAMA[0262]15.Pantanowitz,L.等人,Anartificialintelligencealgorithmforprostatecancerdiagnosisinwholeslideimagesofcoreneedlebiopsies:ablindedclinicalvalidationandd[0263]16.He,Kaiming等人,DeepResidualLearningforImageRecognition,2016IEEEConferenceonComputerVisionandPatte[0268]21.Fine,J.P.和Gray,R.J.,AProportionalHazardsModelforthe[0269]22.Jones,C.U.等人,Radiotherapyandshort_termandrogendeprivationClinical_GenomicRiskGroupClassificationforLocalizedProstateCancer,evaluationofprognosticandpredictivebiomarkers,J.Natl.CancerInst.101,[0272]25.Cooperberg,M.R.等人,TheUCSFCanceroftheProstateRiskAssessment(CAPRA)Score:astrai

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论