Imaging-based Biomarkers for Predicting and Evaluating Cancer Immunotherapy Response
Notice bibliographique
Résumé
Proper patient selection for immunotherapy is critical, as certain tumor microenvironments are more permissible to therapy than others. Currently, the use of programmed cell death ligand-1 (PD-L1) and microsatellite instability high and/or mismatch repair deficiency are used as biomarkers for immunotherapy response. To improve tumor characterization, methodologies are being developed to combine imaging with tumor immune environment characterization. Imaging of tumors from immunotherapy responders and nonresponders with various imaging modalities has led to the development of criteria that could predict patient response to immunotherapy. Additionally, radiomics-based artificial intelligence methods are being used to characterize tumor microenvironments to predict and evaluate immunotherapy responses, as well as to predict risk of immune-related adverse events. Molecular imaging techniques are also being developed for various modalities to observe tumor expression of immunotherapy targets, such as PD-L1 and, to confirm the target is being expressed on resident tumors. In all, the advancements of imaging techniques to define tumor immunologic characteristics will help to stratify patients who are more likely to respond to immunotherapies. Keywords: Computer Aided Diagnosis (CAD), Computer Applications-Virtual Imaging, Efficacy Studies, MR-Imaging, Molecular Imaging-Cancer, Molecular Imaging-Immunotherapy, Molecular Imaging-Nanoparticles, Molecular Imaging-Probe Development, Molecular Imaging-Target Development, SPECT/CT © RSNA, 2019
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».