Target Heterogeneity in Oncology: The Best Predictor for Differential Response to Radioligand Therapy in Neuroendocrine Tumors and Prostate Cancer
Notice bibliographique
Résumé
Tumor or target heterogeneity (TH) implies presence of variable cellular populations having different genomic characteristics within the same tumor, or in different tumor sites of the same patient. The challenge is to identify this heterogeneity, as it has emerged as the most common cause of 'treatment resistance', to current therapeutic agents. We have focused our discussion on 'Prostate Cancer' and 'Neuroendocrine Tumors', and looked at the established methods for demonstrating heterogeneity, each with its advantages and drawbacks. Also, the available theranostic radiotracers targeting PSMA and somatostatin receptors combined with targeted systemic agents, have been described. Lu-177 labeled PSMA and DOTATATE are the 'standard of care' radionuclide therapeutic tracers for management of progressive treatment-resistant prostate cancer and NET. These approved therapies have shown reasonable benefit in treatment outcome, with improvement in quality of life parameters. Various biomarkers and predictors of response to radionuclide therapies targeting TH which are currently available and those which can be explored have been elaborated in details. Imaging-based features using artificial intelligence (AI) need to be developed to further predict the presence of TH. Also, novel theranostic tools binding to newer targets on surface of cancer cell should be explored to overcome the treatment resistance to current treatment regimens.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».