Biomedical informatics and panomics for evidence‐based radiation therapy
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
More than half of all cancer patients receive ionizing radiation as part of their treatment. Treatment outcomes are determined by complex interactions between cancer genetics, treatment regimens, and patient‐related variables. A key component of modern radiation oncology research is to predict at the time of treatment planning or during the course of fractionated radiation treatment, the probability of tumor eradication and normal tissue risks for the type of treatment being considered for the individual patient. A typical radiotherapy treatment scenario can generate a large pool of panomics data that may comprise 3D/4D anatomical and functional imaging information (noted as radiomics), in addition to biological markers (genomics, proteomics, metabolomics, etc.) derived from peripheral blood and tissue specimens. Radiotherapy data informatics constitutes a unique interface between physical and biological processes. It can benefit from the general advances in biomedical informatics research while still requires the development of its own technologies within this framework to address specific issues related to its unique physics–biology interface. We review recent advances and discuss current challenges to interrogate panomics data in radiotherapy using bioinformatics tools for data aggregation, sharing, visualization, and outcomes modeling. We provide examples based on our and others experiences using systems radiobiology and machine learning to develop predictive models of outcomes in radiotherapy. We also highlight the potential opportunities in this field for evidence‐based personalized medicine research for bioinformaticians and clinical decision‐makers. This article is categorized under: Algorithmic Development > Biological Data Mining Application Areas > Health Care
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle