Multicomponent T2 Analysis of Glioblastoma in a Mouse Model
Notice bibliographique
Résumé
Glioblastoma Multiforme (GBM) is the most common and aggressive malignant primary brain tumour and average survival rates, even with aggressive treatment, is less than a year. A primary concern when imaging patients with tumors using MRI (Magnetic Resonance Imaging) is not being able to detect treatment response or tumor tissue characteristics adequately. MRI methods use the information obtained from the distribution of hydrogen protons from water-filled biological tissues. T2, the spin-spin relaxation time, is affected by the water environment and will increase with edema (excess water within tissues) and specific changes in cell type. Hence, unique T2 times reveal distinctive tissue characteristics. To date, T2 analysis of tumors has largely used monoexponential fitting. However, this method is not sensitive to the multicomponent nature of tissues within a defined volume (voxel). Using a mouse model implanted with tumor cells and multiexponential T2 analysis, superior differentiation between tissues can be detected within the mouse gliobastoma. We will use a novel visualization software to determine how the multicomponent T2 analysis can improve our sensitivity to specific tumor microenvironments. A study showing proof of principle has previously been published using mice implanted with patient-derived brain tumor initiating cells (BTICs). This project will use human derived glioblastoma cells in mice models to examine whether T2 can be used to detect treatment response. In addition MRI spectroscopy will be performed to detect the grade/type of tumor using the levels of metabolites present in and around the tumor volume.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».