Notice bibliographique
Résumé
Melanoma has long been recognized as a potentially immunogenic tumour, but only recently has it become clear that the reason for this resides in its many ultraviolet (UV)-induced mutations and expression of multiple autoantigens which can be targeted by the immune system. The first successful applications of immune-based treatments included passive immunotherapy using high-dose interleukin (IL)-2 and/or adoptive transfer of natural killer (NK)-cells, as well as active immunotherapy using whole cell-derived or peptide vaccines. In the intervening decades, it has become clear that these approaches can lead to durable responses in stage III/IV melanoma, and even to functional cures - but only in a vanishingly small fraction of patients. With the advent of immune checkpoint blockade first with anti-cytotoxic T-lymphocyte 4 (CTLA-4), then with anti-programmed cell death 1 (PD-1) antibodies, and combinations thereof, the small percentage of responding patients may be increased to half, a major accomplishment in this refractory disease. Improved techniques for identifying mutation-derived neoantigens and thus more sophisticated active immunotherapies, probably combined with checkpoint blockade, currently hold great promise for further increasing the fraction of responding patients. As additional immunomodulatory antibodies and therapies become available, it will be increasingly important to develop diagnostic tools to determine which particular therapy is likely to elicit the best response for the individual patient. Practically speaking, therapy selection and efficacy monitoring on the basis of the results of a blood test would be most desirable. The purpose of this review is to consider the feasibility of identifying 'immune signatures' for predicting responses and determining mechanisms responsible for success or failure of these immunotherapies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».