Molecular imaging of cellular immunotherapies in experimental and therapeutic settings
Notice bibliographique
Résumé
Cell-based cancer immunotherapies are becoming a routine part of the armamentarium against cancer. While remarkable successes have been seen, including durable remissions, not all patients will benefit from these therapies and many can suffer from life-threatening side effects. These differences in efficacy and safety across patients and across tumor types (e.g., blood vs. solid), are thought to be due to differences in how well the immune cells traffic to their target tissue (e.g., tumor, lymph nodes, etc.) whilst avoiding non-target tissues. Across patient variability can also stem from whether the cells interact with (i.e., communicate with) their intended target cells (e.g., cancer cells), as well as if they proliferate and survive long enough to yield potent and long-lasting therapeutic effects. However, many cell-based therapies are monitored by relatively simple blood tests that lack any spatial information and do not reflect how many immune cells have ended up at particular tissues. The ex vivo labeling and imaging of infused therapeutic immune cells can provide a more precise and dynamic understanding of whole-body immune cell biodistribution, expansion, viability, and activation status in individual patients. In recent years numerous cellular imaging technologies have been developed that may provide this much-needed information on immune cell fate. For this review, we summarize various ex vivo labeling and imaging approaches that allow for tracking of cellular immunotherapies for cancer. Our focus is on clinical imaging modalities and summarize the progression from experimental to therapeutic settings. The imaging information provided by these technologies can potentially be used for many purposes including improved real-time understanding of therapeutic efficacy and potential side effects in individual patients after cell infusion; the ability to more readily compare new therapeutic cell designs to current designs for various parameters such as improved trafficking to target tissues and avoidance of non-target tissues; and the long-term ability to identify patient populations that are likely to be positive responders and at low-risk of side effects.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».