MétaCan
Menu
Retour à la cohorte
Enregistrement W2890075296 · doi:10.1088/1361-6528/aadfbc

Intrinsically absorbing photoacoustic and ultrasound contrast agents for cancer therapy and imaging

2018· article· en· W2890075296 sur OpenAlexafffund
Donald A. Fernandes, Michael C. Kolios

Notice bibliographique

RevueNanotechnology · 2018
Typearticle
Langueen
DomaineEngineering
ThématiquePhotoacoustic and Ultrasonic Imaging
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesCanadian Institutes of Health ResearchInstitute of Cancer ResearchCanada Foundation for Innovation
Mots-clésPhotoacoustic imaging in biomedicineMaterials scienceUltrasoundMagnetic resonance imagingBiomedical engineeringNanoparticleFluorescence-lifetime imaging microscopyPhotothermal therapyUltrasound imagingNanotechnologyMedical imagingFluorescenceOptical imagingRadiologyOpticsMedicine

Résumé

récupéré en direct d'OpenAlex

Nanoparticles are submicrometer in size and are used in a variety of ways in the biomedical field. They can carry therapeutic drugs, either in the particle core or surface to target cancer sites in the body. Additionally they can contain imaging agents to diagnose and monitor the tumor size using different imaging modalities, such as fluorescence and nuclear magnetic resonance imaging. Novel theranostic nanoparticle agents, called perfluorohexane nanoemulsions (PFH-NEs) were synthesized whose intrinsic properties could be used for both imaging (ultrasound and photoacoustic) and therapy. Compared to other theranostic agents, our PFH-NEs can absorb sufficient near-infrared light to enhance contrast and provide deeper penetration imaging at laser fluences causing minimal damage to healthy tissue. One contrast mechanism (optical absorption/photoacoustics) allows us to validate localization of the agent and another (acoustic impedance/ultrasound) allows the imaging of therapeutic delivery after particle activation. In this work, we show the potential of these PFH-NEs to be used as multimodal imaging agents and for therapy.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,399
Score d'incertitude au seuil0,733

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,242
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNanotechnologyMême sujetPhotoacoustic and Ultrasonic ImagingTravaux en français237 207