Mathematical simulation and prediction of tumor volume using RBF artificial neural network at different circumstances in the tumor microenvironment
Notice bibliographique
Résumé
Uncontrolled proliferation of cells in a tissue caused by genetic mutations inside a cell is referred to as a tumor. A tumor which grows rapidly encounters a barrier when it grows to a certain size in presence of preexisting vasculature. This is the time when it has to find a way to go on the growth. The tumor starts to secrete tumor angiogenic factors (TAFs) and stimulate preexisting vessels to grow new sprouts. These new sprouts will find their way to the tumor in the extracellular matrix (ECM) by the gradient of TAF. As these new capillaries anastomose and reach tumor, fresh oxygen is available for the tumor and it will reinitiate the growth. Number of initial sprouts, distance of initial tumor cells from the vessel(s) and initial density of the tumor at the time of sprout formation are questions which are to be investigated. In the present study, the aim is to find the response of tumor cells and vessels to the reciprocal effects of each other in different circumstances in the tissue. Together with a mathematical formulation, a radial basis function (RBF) neural network is established to predict the number of tumor cells at different circumstances including size and distance of initial tumors from the parent vessel. A final formulation is given for the final number of tumor cells as a function of initial tumor size and distance between a parent vessel and a tumor. Results of this simulation demonstrate that, increasing the distance between a tumor and a parent vessel decreases the number of final tumor cells. Specially, this decrement becomes faster beyond a certain distance. Moreover, initial tumors in bigger domains must become much bigger before inducing angiogenesis which makes it harder for them to survive.
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 | 0,001 | 0,003 |
| 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 ».