MétaCan
Menu
Retour à la cohorte
Enregistrement W1590350170 · doi:10.1002/cmmi.1497

<i>In vivo</i> magnetic resonance imaging of glucose – initial experience

2012· article· en· W1590350170 sur OpenAlexaff
Hyla Allouche‐Arnon, Trevor Wade, Lanette Friesen Waldner, Valentina N. Miller, John M. Gomori, Rachel Katz‐Brull, Charles A. McKenzie

Notice bibliographique

RevueContrast Media & Molecular Imaging · 2012
Typearticle
Langueen
DomaineChemistry
ThématiqueAdvanced NMR Techniques and Applications
Établissements canadiensWestern University
Organismes subventionnairesBrainWatch
Mots-clésHyperpolarization (physics)Positron emission tomographyIn vivoMagnetic resonance imagingChemistryNuclear magnetic resonanceNuclear medicinePreclinical imagingMedicineRadiologyNuclear magnetic resonance spectroscopy

Résumé

récupéré en direct d'OpenAlex

A new noninvasive, nonradioactive approach for glucose imaging using spin hyperpolarization technology and stable isotope labeling is presented. A glucose analog labeled with (13)C at all six positions increased the overall hyperpolarized imaging signal; deuteration at all seven directly bonded proton positions prolonged the spin-lattice relaxation time. High-bandwidth (13)C imaging overcame the large glucose carbon chemical shift dispersion. Hyperpolarized glucose images in the live rat showed time-dependent organ distribution patterns. At 8 s after the start of bolus injection, the inferior vena cava was demonstrated at angiographic quality. Distribution of hyperpolarized glucose in the kidneys, vasculature, and heart was demonstrated at 12 and 20 s. The heart-to-vasculature intensity ratio at 20 s suggests myocardial uptake. Cancer imaging, currently performed with (18)F-deoxyglucose positron emission tomography (FDG-PET), warrants further investigation, and glucose imaging could be useful in a vast range of clinical conditions and research fields where the radiation associated with the FDG-PET examination limits its use.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,007
Tête enseignante GPT0,276
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations54
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContrast Media & Molecular ImagingMême sujetAdvanced NMR Techniques and ApplicationsTravaux en français237 207