Imaging-based Biomarkers for Predicting and Evaluating Cancer Immunotherapy Response
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle