Pharmacokinetic modeling of PSMA‐targeted nanobubbles for quantification of extravasation and binding in mice models of prostate cancer
Notice bibliographique
Résumé
PURPOSE: Contrast-enhanced ultrasound (CEUS) by injection of microbubbles (MBs) has shown promise as a cost-effective imaging modality for prostate cancer (PCa) detection. More recently, nanobubbles (NBs) have been proposed as novel ultrasound contrast agents. Unlike MBs, which are intravascular ultrasound contrast agents, the smaller diameter of NBs allows them to cross the vessel wall and target specific receptors on cancer cells such as the prostate-specific membrane antigen (PSMA). It has been demonstrated that PSMA-targeted NBs can bind to the receptors of PCa cells and show a prolonged retention effect in dual-tumor mice models. However, the analysis of the prolonged retention effect has so far been limited to qualitative or semi-quantitative approaches. METHODS: This work introduces two pharmacokinetics models for quantitative analysis of time-intensity curves (TICs) obtained from the CEUS loops. The first model is based on describing the vascular input by the modified local density random walk (mLDRW) model and independently interprets TICs from each tumor lesion. Differently, the second model is based on the reference-tissue model, previously proposed in the context of nuclear imaging, and describes the binding kinetics of an indicator in a target tissue by using a reference tissue where binding does not occur. RESULTS: , for the mLDRW-input model, and γ for the reference-based model, were significantly different (p-value <0.05) between free NBs and PSMA-NBs. These parameters estimated by the two models demonstrate different behaviors between PSMA-targeted and free NBs. CONCLUSIONS: These promising results encourage further quantitative analysis of targeted NBs for improved cancer diagnostics and characterization.
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) | 0,000 | 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 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 ».