Identify. Quantify. Predict. Why Immunologists Should Widely Use Molecular Imaging for Coronavirus Disease 2019
Notice bibliographique
Résumé
Molecular imaging using PET/CT or PET/MRI has evolved from an experimental imaging modality at its inception in 1972 to an integral component of diagnostic procedures in oncology, and, to lesser extent, in cardiology and neurology, by successfully offering in-vivo imaging and quantitation of key pathophysiological targets or molecular signatures, such as glucose metabolism in cancerous disease. Apart from metabolism probes, novel radiolabeled peptide and antibody PET tracers, including radiolabeled monoclonal antibodies (mAbs) have entered the clinical arena, providing the in-vivo capability to collect target-specific quantitative in-vivo data on cellular and molecular pathomechanisms on a whole-body scale, and eventually, extract imaging biomarkers possibly serving as prognostic indicators. The success of molecular imaging in mapping disease severity on a whole-body scale, and directing targeted therapies in oncology possibly could translate to the management of Coronavirus Disease 2019 (COVID-19), by identifying, localizing, and quantifying involvement of different immune mediated responses to the infection with SARS-COV2 during the course of acute infection and possible, chronic courses with long-term effects on specific organs. The authors summarize current knowledge for medical imaging in COVID-19 in general with a focus on molecular imaging technology and provide a perspective for immunologists interested in molecular imaging research using validated and immediately available molecular probes, as well as possible future targets, highlighting key targets for tailored treatment approaches as brought up by key opinion leaders.
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 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,023 |
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 ».