Nodal lymph flow quantified with afferent vessel input function allows differentiation between normal and cancer-bearing nodes
Notice bibliographique
Résumé
Morbidity and complexity involved in lymph node staging via surgical resection and biopsy could ideally be improved using node assay techniques that are non-invasive. While visible blue dyes are often used to locate the sentinel lymph nodes from draining lymphatic vessels near a tumor, they do not provide an in situ metric to evaluate presence of cancer. In this study, the transport kinetics of methylene blue were analyzed to determine the potential for better in situ information about metastatic involvement in the nodes. A rat model with cancer cells in the axillary lymph nodes was used, with methylene blue injection to image the fluorescence kinetics. The lymphatic flow from injection sites to nodes was imaged and the relative kinetics from feeding lymphatic ducts relative to lymph nodes was quantified. Large variability existed in raw fluorescence and transport patterns within each cohort resulting in no systematic difference between average nodal uptake in normal, sham control and cancer-bearing nodes. However, when the signal from the afferent lymph vessel fluorescence was used to normalize the signal of the lymph nodes, the high signal heterogeneity was reduced. Using a model, the lymph flow through the nodes [Formula: see text] was estimated to be 1.49 ± 0.64 ml/g/min in normal nodes, 1.53 ± 0.45 ml/g/min in sham control nodes, and reduced to 0.50 ± 0.24 ml/g/min in cancer-cell injected nodes. This summarizes the significant difference (p = 0.0002) between cancer-free and cancer-bearing nodes in normalized flow. This process of normalized flow imaging could be used as an in situ tool to detect metastatic involvement in nodes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».