Autofluorescence-Guided Surveillance for Oral Cancer
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Early detection of oral premalignant lesions (OPL) and oral cancers (OC) is critical for improved survival. We evaluated if the addition of autofluorescence visualization (AFV) to conventional white-light examination (WLE) improved the ability to detect OPLs/OCs. Sixty high-risk patients, with suspicious oral lesions or recently diagnosed untreated OPLs/OCs, underwent sequential surveillance with WLE and AFV. Biopsies were obtained from all suspicious areas identified on both examinations (n = 189) and one normal-looking control area per person (n = 60). Sensitivity, specificity, and predictive values were calculated for WLE, AFV, and WLE + AFV. Estimates were calculated separately for lesions classified by histopathologic grades as low-grade lesions, high-grade lesions (HGL), and OCs. Sequential surveillance with WLE + AFV provided a greater sensitivity than WLE in detecting low-grade lesions (75% versus 44%), HGLs (100% versus 71%), and OCs (100% versus 80%). The specificity in detecting OPLs/OCs decreased from 70% with WLE to 38% with WLE + AFV. Thirteen of the 76 additional biopsies (17%) obtained based on AFV findings were HGLs/OCs. Five patients (8%) were diagnosed with a HGL/OC only because of the addition of AFV to WLE. In seven patients, additional HGL/OC foci or wider OC margins were detected on AFV. Additionally, AFV aided in the detection of metachronous HGL/OC in 6 of 26 patients (23%) with a history of previously treated head and neck cancer. Overall, the addition of AFV to WLE improved the ability to detect HGLs/OCs. In spite of the lower specificity, AFV + WLE can be a highly sensitive first-line surveillance tool for detecting OPLs/OCs in high-risk patients.
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.
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 | 0,002 | 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) | 0,001 | 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 découle