Review of MR-Guided Radiotherapy for Esophageal Cancer
Notice bibliographique
Résumé
In this review, we outline the potential benefits and the future role of MRI and MR-guided radiotherapy (MRgRT) in the management of esophageal cancer. Although not currently used in most clinical practice settings, MRI is a useful non-invasive imaging modality that provides excellent soft tissue contrast and the ability to visualize cancer physiology. Chemoradiation therapy with or without surgery is essential for the management of locally advanced esophageal cancer. MRI can help stage esophageal cancer, delineate the gross tumor volume (GTV), and assess the response to chemoradiotherapy. Integrated MRgRT systems can help overcome the challenge of esophageal motion due to respiratory motion by using real-time imaging and tumor tracking with respiratory gating. With daily on-table MRI, shifts in tumor position and tumor regression can be taken into account for online-adaptation. The combination of accurate GTV visualization, respiratory gating, and online adaptive planning, allows for tighter treatment volumes and improved sparing of the surrounding normal organs. This could lead to a reduction in radiotherapy induced cardiac toxicity, pneumonitis and post-operative complications. Tumor physiology as seen on diffusion weighted imaging or dynamic contrast enhancement can help individualize treatments based on the response to chemoradiotherapy. Patients with a complete response on MRI can be considered for organ preservation while patients with no response can be offered an earlier resection. In patients with a partial response to chemoradiotherapy, areas of residual cancer can be targeted for dose escalation. The tighter and more accurate targeting enabled with MRgRT may enable hypofractionated treatment schedules.
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) | 0,001 | 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 ».