A Perspective on Cell Tracking with Magnetic Particle Imaging
Notice bibliographique
Résumé
Many labs have been developing cellular magnetic resonance imaging (MRI), using both superparamagnetic iron oxide nanoparticles (SPIONs) and fluorine-19 (19F)-based cell labels, to track immune and stem cells used for cellular therapies. Although SPION-based MRI cell tracking has very high sensitivity for cell detection, SPIONs are indirectly detected owing to relaxation effects on protons, producing negative magnetic resonance contrast with low signal specificity. Therefore, it is not possible to reliably quantify the local tissue concentration of SPION particles, and cell number cannot be determined. 19F-based cell tracking has high specificity for perfluorocarbon-labeled cells, and 19F signal is directly related to cell number. However, 19F MRI has low sensitivity. Magnetic particle imaging (MPI) is a new imaging modality that directly detects SPIONs. SPION-based cell tracking using MPI displays great potential for overcoming the challenges of MRI-based cell tracking, allowing for both high cellular sensitivity and specificity, and quantification of SPION-labeled cell number. Here we describe nanoparticle and MPI system factors that influence MPI sensitivity and resolution, quantification methods, and give our perspective on testing and applying MPI for cell tracking.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,004 | 0,011 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,009 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».