Evaluation of inverse methods for estimation of mechanical parameters in solid tumors
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
To treat cancer, knowledge of mechanical parameters can be essential. This study proposes a new approach for estimating hydraulic conductivity (k) and hydraulic conductivity ratio (α) of a living tissue, based on inverse methods, allowing tissue parameter estimation using only a limited set of measurements. First, two population-based algorithms (Levenberg-Marquardt (LM) method and conjugate gradient (CG) method) and two gradient-based algorithms (genetic algorithm (GA) and particle swarm optimization (PSO) algorithm) are considered, and a comparative study between these different inverse methods is performed to determine which methods have a good performance in terms of convergence rate and stability. CG method is shown to perform well in the case of noise-free input data; however, in the case of noisy input data, it fails to converge. The other three methods (LM, GA, and PSO) converge with estimation errors <10% in both noise-free and noisy input data, suggesting their utility to tackle this problem. In the second part, the effectiveness and good accuracy of these robust algorithms (LM, GA, and PSO) are validated with experimental results. The hydraulic conductivity and hydraulic conductivity ratio of a specific living tumor tissue are then estimated for mammary adenocarcinoma (R3230AC). Moreover, assuming measurement of only one-point interstitial pressure inside the tumor, the effect of the location of this one-point on estimation accuracy of hydraulic conductivity is investigated. We show that estimation errors for points measured near the surface and center of the tumor are greater than at other points.
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 | 0,001 | 0,001 |
| 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 découle