Multimodal Image-Guided Surgical and Photodynamic Interventions in Head and Neck Cancer: From Primary Tumor to Metastatic Drainage
Notice bibliographique
Résumé
PURPOSE: The low survival rate of head and neck cancer (HNC) patients is attributable to late disease diagnosis and high recurrence rate. Current HNC staging has inadequate accuracy and low sensitivity for effective diagnosis and treatment management. The multimodal porphyrin lipoprotein-mimicking nanoparticle (PLP), intrinsically capable of positron emission tomography (PET), fluorescence imaging, and photodynamic therapy (PDT), shows great potential to enhance the accuracy of HNC staging and potentially HNC management. EXPERIMENTAL DESIGN: Using a clinically relevant VX-2 buccal carcinoma rabbit model that is able to consistently develop metastasis to regional lymph nodes after tumor induction, we investigated the abilities of PLP for HNC diagnosis and management. RESULTS: PLPs facilitated accurate detection of primary tumor and metastatic nodes (their PET image signal to surrounding muscle ratios were 10.0 and 7.3, respectively), and provided visualization of the lymphatic drainage from tumor to regional lymph nodes by both preoperative PET and intraoperative fluorescence imaging, allowing the identification of unknown primaries and recurrent tumors. PLP-PDT significantly enhanced cell apoptosis in mouse tumors (73.2% of PLP-PDT group vs 7.1% of PLP alone group) and demonstrated complete eradication of primary tumors and obstruction of tumor metastasis in HNC rabbit model without toxicity in normal tissues or damage to adjacent critical structures. CONCLUSIONS: PLPs provide a multimodal imaging and therapy platform that could enhance HNC diagnosis by integrating PET/computed tomography and fluorescence imaging, and improve HNC therapeutic efficacy and specificity by tailoring treatment via fluorescence-guided surgery and PDT.
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 | 0,000 | 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 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 ».