The Identification and Differentiation of Secondary Colorectal Cancer in Human Liver Tissue Using X-ray Fluorescence, Coherent Scatter Spectroscopy, and Multivariate Analysis
Notice bibliographique
Résumé
Secondary colorectal liver cancer is the most widespread malignancy in patients with colorectal cancer. The aim of this study is to identify and differentiate between normal liver tissue and malignant secondary colorectal liver cancer tissue using X-ray scattering and X-ray fluorescence spectroscopy to investigate the best combination of data that can be used to enable classification of these two tissue types. X-ray fluorescence (XRF) and coherent scatter data were collected for 24 normal and 24 tumor matched pair tissue samples. The levels of 12 elements (P, S, K, Ca, Cr, Fe, Cu, Zn, As, Se, Br, and Rb) were measured in all samples. When comparisons were made between normal and tumor tissues, statistically significant differences were determined for K (p = 0.046), Ca (p = 0.040), Cr (p = 0.011), Fe, Cu, Zn, Br, and Rb (p < 0.01). However, for P, S, As, and Se, no statistically significant differences were found (p > 0.05). For the coherent scatter spectra collected, three peaks due to adipose, fibrous content, and water content of tissue were observed. The amplitude, full width half-maximum, and area under both fibrous content and water content peaks were found to be significantly higher in secondary colorectal liver tumors compared with surrounding normal liver tissue (p < 0.05). However, no significant differences were found for the adipose peak parameters (p > 0.05). Soft independent modeling of class analogy was performed using the XRF, coherent scatter, and elemental ratio data separately, and the accuracy of the classification of 20 unknown samples was found to be 50, 30, and 80%, respectively. Further analysis has shown that using a combination of the XRF and coherent scatter data in a single combined model gave improved normal and tumor liver tissue classification, with an accuracy that was found to be 85%.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».