Detection of Lung Tumor Progression in Mice by Ultrasound Imaging
Notice bibliographique
Résumé
With ~1.6 million victims per year, lung cancer contributes tremendously to the worldwide burden of cancer. Lung cancer is partly driven by genetic alterations in oncogenes such as the KRAS oncogene, which constitutes ~25% of lung cancer cases. The difficulty in therapeutically targeting KRAS-driven lung cancer partly stems from having poor models that can mimic the progression of the disease in the lab. We describe a method that permits the relative quantification of primary KRAS lung tumors in a Cre-inducible LSL-KRAS G12D mouse model via ultrasound imaging. This method relies on brightness (B)-mode acquisition of the lung parenchyma. Tumors that are initially formed in this model are visualized as B-lines and can be quantified by counting the number of B-lines present in the acquired images. These would represent the relative tumor number formed on the surface of the mouse lung. As the formed tumors develop with time, they are perceived as deep clefts within the lung parenchyma. Since the circumference of the formed tumor is well-defined, calculating the relative tumor volume is achieved by measuring the length and width of the tumor and applying them in the formula used for tumor caliper measurements. Ultrasound imaging is a non-invasive, fast and user-friendly technique that is often used for tumor quantifications in mice. Although artifacts may appear when obtaining ultrasound images, it has been shown that this imaging technique is more advantageous for tumor quantifications in mice compared to other imaging techniques such as computed tomography (CT) imaging and bioluminescence imaging (BLI). Researchers can investigate novel therapeutic targets using this technique by comparing lung tumor initiation and progression between different groups of mice.
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 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 | 0,000 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».