Photodynamic therapy enables tumor-specific ablation in preclinical models of thyroid cancer
Notice bibliographique
Résumé
The incidence of differentiated thyroid cancer has increased significantly during the last several decades. Surgical resection is the primary treatment for thyroid cancer and is highly effective, resulting in 5-year survival rates greater than 98%. However, surgical resection can result in short- and long-term treatment-related morbidities. Additionally, as this malignancy often affects women less than 40 years of age, there is interest in more conservative treatment approaches and, an unmet need for therapeutic options that minimize the risk of surgery-related morbidities while simultaneously providing an effective cancer treatment. Photodynamic therapy (PDT) has the potential to reduce treatment-related side effects by decreasing invasiveness and limiting toxicity. Owing to multiple advantageous properties of the porphyrin-HDL nanoparticle (PLP) as a PDT agent, including preferential accumulation in tumor, biodegradability and unprecedented photosensitizer packing, we evaluate PLP-mediated PDT as a minimally invasive, tumor-specific treatment for thyroid cancer. On both a biologically relevant human papillary thyroid cancer (K1) mouse model and an anatomically relevant rabbit squamous carcinoma (VX2)-implanted rabbit thyroid model, the intrinsic fluorescence of PLP enabled tracking of tumor preferential accumulation and guided PDT. This resulted in significant and specific apoptosis in tumor tissue, but not surrounding normal tissues including trachea and recurrent laryngeal nerve (RLN). A long-term survival study further demonstrated that PLP-PDT enabled complete ablation of tumor tissue while sparing both the normal thyroid tissue and RLN from damage, thus providing a safe, minimally invasive, and effective alternative to thyroidectomy for thyroid cancer therapies.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».