Kinetic model optimization for characterizing tumour physiology by dynamic contrast-enhanced near-infrared spectroscopy
Notice bibliographique
Résumé
Dynamic contrast-enhanced (DCE) methods are widely used with magnetic resonance imaging and computed tomography to assess the vascular characteristics of tumours since these properties can affect the response to radiotherapy and chemotherapy. In contrast, there have been far fewer studies using optical-based applications despite the advantages of low cost and safety. This study investigated an appropriate kinetic model for optical applications to characterize tumour haemodynamics (blood flow, F, blood volume, V(b), and vascular heterogeneity) and vascular leakage (permeability surface-area product, PS). DCE data were acquired with two dyes, indocyanine green (ICG) and 800 CW carboxylate (IRD(cbx)), from a human colon tumour xenograph model in rats. Due to the smaller molecular weight of IRD(cbx) (1166 Da) compared to albumin-bound ICG (67 kDa), PS of IRD(cbx) was significantly larger; however, no significant differences in F and V(b) were found between the dyes as expected. Error analysis demonstrated that all parameters could be estimated with an uncertainty less than 5% due to the high temporal resolution and signal-to-noise ratio of the optical measurements. The next step is to adapt this approach to optical imaging to generate haemodynamics and permeability maps, which should enhance the clinical interest in optics for treatment monitoring.
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) | 0,001 | 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 ».