Technical issues: flow cytometry and rare event analysis
Notice bibliographique
Résumé
Flow cytometry has become an essential tool for identification and characterization of hematological cancers and now, due to technological improvements, allows the identification and rapid enumeration of small tumor populations that may be present after induction therapy (minimal residual disease, MRD). The quantitation of MRD has been shown to correlate with relapse and survival rates in numerous diseases and in certain cases, and evidence of MRD is used to alter treatment protocols. Recent improvements in hardware allow for high data rate collection. Improved fluorochromes take advantage of violet laser excitation and maximize signal-to-noise ratio allowing the population of interest to be isolated in multiparameter space. This isolation, together with a low background rate, permits for detection of residual tumor populations in a background of normal cells. When counting such rare events, the distribution is governed by Poisson statistics, with precision increasing with higher numbers of cells collected. In several hematological malignancies, identification of populations at frequencies of 0.01% and lower has been attained. The choice of antibodies used in MRD detection facilitates the definition of a fingerprint to identify abnormal populations throughout treatment. Tumor populations can change phenotype, and an approach that relies on 'different from normal' has proven useful, particularly in the acute leukemias. Flow cytometry can and is used for detection of MRD in many hematological diseases; however, standardized approaches for specific diseases must be developed to ensure precise identification and enumeration that may alter the course of patient treatment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».