Untapped Neuroimaging Tools for Neuro-Oncology: Connectomics and Spatial Transcriptomics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Neuro-oncology research is broad and includes several branches, one of which is neuroimaging. Magnetic resonance imaging (MRI) is instrumental for the diagnosis and treatment monitoring of patients with brain tumors. Most commonly, structural and perfusion MRI sequences are acquired to characterize tumors and understand their behaviors. Thanks to technological advances, structural brain MRI can now be transformed into a so-called average brain accounting for individual morphological differences, which enables retrospective group analysis. These normative analyses are uncommonly used in neuro-oncology research. Once the data have been normalized, voxel-wise analyses and spatial mapping can be performed. Additionally, investigations of underlying connectomics can be performed using functional and structural templates. Additionally, a recently available template of spatial transcriptomics has enabled the assessment of associated gene expression. The few published normative analyses have shown relationships between tumor characteristics and spatial localization, as well as insights into the circuitry associated with epileptogenic tumors and depression after cingulate tumor resection. The wide breadth of possibilities with normative analyses remain largely unexplored, specifically in terms of connectomics and imaging transcriptomics. We provide a framework for performing normative analyses in oncology while also highlighting their limitations. Normative analyses are an opportunity to address neuro-oncology questions from a different perspective.
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.
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) | 0,000 | 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 découle