Mechanical decellularization of tissue volumes using boiling histotripsy
Notice bibliographique
Résumé
High intensity focused ultrasound (HIFU) is rapidly advancing as an alternative therapy for non-invasively treating specific cancers and other pathological tissues through thermal ablation. A new type of HIFU therapy-boiling histotripsy (BH)-aims at mechanical fractionation of into subcellular fragments, with a range of accompanying thermal effects that can be tuned from none to substantial depending on the requirements of the application. The degree of mechanical tissue damage induced by BH has been shown to depend on the tissue type, with collagenous structures being most resistant, and cellular structures being most sensitive. This has been reported for single BH lesions, but has not been replicated in large volumes. Such tissue selectivity effect has potential uses involving tissue decellularization for biofabrication technologies as well as mechanical ablation by BH while sparing critical structures. The goal of this study was to investigate tissue decellularization effect in larger, clinically relevant liquefied volumes of tissue, and to evaluate the accumulated thermal effect in the volumetric lesions under different exposure parameters. All BH exposures were performed with a 256-element 1.2 MHz array of a magnetic resonance imaging-guided HIFU (MR-HIFU) clinical system (Sonalleve V1, Profound Medical Inc, Mississauga, Canada). The volumetric BH lesions were produced in degassed ex vivo bovine liver using 1-10 ms long pulses with in situ shock amplitudes of 75-100 MPa at the focus and pulse repetition frequencies (PRFs) of 1-10 Hz covering a range of effects from pure mechanical homogenization to thermal ablation. Multimodal analysis of the lesions was then performed, including microstructure (histological), ultrastructure (electron microscopy), and molecular (biochemistry) methods. Results show a range of tissue effects in terms of the degree of tissue selectivity and the amount of heat generated in large BH lesions, thereby demonstrating potential for treatments tailored to different clinical applications.
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 ».