Application of Intraoperative Mass Spectrometry and Data Analytics for Oncological Margin Detection, A Review
Notice bibliographique
Résumé
OBJECTIVE: A common phase of early-stage oncological treatment is the surgical resection of cancerous tissue. The presence of cancer cells on the resection margin, referred to as positive margin, is correlated with the recurrence of cancer and may require re-operation, negatively impacting many facets of patient outcomes. There exists a significant gap in the surgeon's ability to intraoperatively delineate between tissues. Mass spectrometry methods have shown considerable promise as intraoperative tissue profiling tools that can assist with the complete resection of cancer. To do so, the vastness of the information collected through these modalities must be digested, relying on robust and efficient extraction of insights through data analysis pipelines. METHODS: We review clinical mass spectrometry literature and prioritize intraoperatively applied modalities. We also survey the data analysis methods employed in these studies. RESULTS: Our review outlines the advantages and shortcomings of mass spectrometry imaging and point-based tissue probing methods. For each modality, we identify statistical, linear transformation and machine learning techniques that demonstrate high performance in classifying cancerous tissues across several organ systems. A limited number of studies presented results captured intraoperatively. CONCLUSION: Through continued research of data centric techniques, like mass spectrometry, and the development of robust analysis approaches, intraoperative margin assessment is becoming feasible. SIGNIFICANCE: By establishing the relatively short history of mass spectrometry techniques applied to surgical studies, we hope to inform future applications and aid in the selection of suitable data analysis frameworks for the development of intraoperative margin detection technologies.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».