Strongly Magnetic Iron Nanoparticles Improve the Diagnosis of Small Tumours in the Reticuloendothelial System by Magnetic Resonance Imaging
Notice bibliographique
Résumé
Despite advances in non-invasive medical imaging, accurate nodal staging of malignancy continues to rely on surgery. Superparamagnetic iron oxide nanoparticles (IONP) with lymphotropic qualities have shown some promise as contrast agents for MRI of the lymph nodes, but recent large-scale studies failed to show consistent detection of tumours below 5 mm. Herein we compare imaging of splenic and lymph node tissue using iron/iron oxide core/shell nanoparticles (Fe NP) that have superior magnetic qualities to IONP, to determine whether improved negative contrast in T(2)-weighted MRI can enhance the diagnosis of small tumours in the reticuloendothelial system. To provide an in vivo pre-clinical model of human lymph node micrometastases, breast cancer cells were injected into the spleens of mice, providing localised areas of tumour growth. MR images of groups of tumour-bearing and sham-treated animals were generated using a 1.5 T imaging system and analysed by two independent, blinded radiologists. Fe NP improved the sensitivity and specificity of MRI when compared to IONP, enabling accurate detection of tumours as small as 1-3 mm. The use of Fe NP as contrast agents have the potential to improve the diagnostic accuracy of MRI in cancer patients, leading to more rapid and effective treatment.
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) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».