Modeling the efficacy of different anti-angiogenic drugs on treatment of solid tumors using 3D computational modeling and machine learning
Notice bibliographique
Résumé
Accurate simulation of tumor growth during chemotherapy has significant potential to alleviate the risk of unknown side effects and optimize clinical trials. In this study, a 3D simulation model encompassing angiogenesis and tumor growth was developed to identify the vascular endothelial growth factor (VEGF) concentration and visualize the formation of a microvascular network. Accordingly, three anti-angiogenic drugs (Bevacizumab, Ranibizumab, and Brolucizumab) at different concentrations were evaluated in terms of their efficacy. Moreover, comprehensive mechanisms of tumor cell proliferation and endothelial cell angiogenesis are proposed to provide accurate predictions for optimizing drug treatments. The evaluation of simulation output data can extract additional features such as tumor volume, tumor cell number, and the length of new vessels using machine learning (ML) techniques. These were investigated to examine the different stages of tumor growth and the efficacy of different drugs. The results indicate that brolucizuman has the best efficacy by decreasing the length of sprouting new vessels by up to 16%. The optimal concentration was obtained at 10 mol m−3 with an effectiveness percentage of 42% at 20 days post-treatment. Furthermore, by performing comparative analysis, the best ML method (matching the performance of the reference simulations) was identified as reinforcement learning with a 3.3% mean absolute error (MAE) and an average accuracy of 94.3%.
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) | 0,001 | 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 ».