Multimodal tissue imaging: using coregistered optical tomography data to estimate tissue autofluorescence intensity change due to scattering and absorption by neoplastic epithelial cells
Notice bibliographique
Résumé
Autofluorescence (AF) imaging provides valuable information about the structural and chemical states of tissue that can be used for early cancer detection. Optical scattering and absorption of excitation and emission light by the epithelium can significantly affect observed tissue AF intensity. Determining the effect of epithelial attenuation on the AF intensity could lead to a more accurate interpretation of AF intensity. We propose to use optical coherence tomography coregistered with AF imaging to characterize the AF attenuation due to the epithelium. We present imaging results from three vital tissue models, each consisting of a three-dimensional tissue culture grown from one of three epithelial cell lines (HCT116, OVCAR8, and MCF7) and immobilized on a fluorescence substrate. The AF loss profiles in the tissue layer show two different regimes, each approximately linearly decreasing with thickness. For thin cell cultures (<300 μm), the AF signal changes as AF(t)/AF(0)=1-1.3t (t is the thickness in millimeter). For thick cell cultures (>400 μm), the AF loss profiles have different intercepts but similar slopes. The data presented here can be used to estimate AF loss due to a change in the epithelial layer thickness and potentially to reduce AF bronchoscopy false positives due to inflammation and non-neoplastic epithelial thickening.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».