Malignancy after Solid Organ Transplantation: Comprehensive Imaging Review
Notice bibliographique
Résumé
Life expectancies for solid organ recipients as well as graft survival rates for these patients have improved over the years because of advanced immunosuppressive therapies; however, with chronic use of these drugs, posttransplant malignancy has become one of the leading causes of morbidity for them. The risk of carcinogenesis in transplant recipients is significantly higher than for the general population and cancers tend to manifest at an advanced stage. Posttransplant malignancies are thought to develop by three mechanisms: de novo development, donor-related transmission, and recurrence of a recipient's pretransplant malignancy. Although nonmelanoma skin cancer, Kaposi sarcoma, posttransplant lymphoproliferative disorder, anogenital cancer, and lung cancer are malignancies that are thought to arise de novo, malignant melanoma and cancers that arise in the renal allograft are frequently donor related. Hepatocellular carcinomas and cholangiocarcinomas have a greater tendency to recur in liver transplant recipients. An altered or deranged immune system caused by chronic immunosuppression is considered to be one of the major contributing factors to carcinogenesis. The proposed pathogenic mechanisms for oncogenesis include impaired immunosurveillance of neoplastic cells, weakened immune activity against oncogenic viruses, and direct carcinogenic effects of immunosuppressive agents. Imaging plays an important role in screening, follow-up, and long-term surveillance in patients with malignancies because key imaging features can guide in their timely diagnosis. However, some benign entities such as transplant-related renal fibrosis, biliary necrosis, and infectious nodules in the lungs mimic malignancies and require pathologic confirmation. Management strategies that can improve malignancy-related morbidity and mortality in transplant recipients include prevention of risk factors, appropriate modulation of immunosuppressive agents, prophylaxis against infection-related malignancies, and use of intensive targeted screening programs. (©)RSNA, 2016.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».