MétaCan
Menu
Retour à la cohorte
Enregistrement W4307897057 · doi:10.1021/cen-10038-scicon4

Nanoprobes spot brain cancer from a blood draw

2022· article· en· W4307897057 sur OpenAlexaboutno aff
special to C EN Prachi Patel

Notice bibliographique

RevueC&EN Global Enterprise · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSpectroscopy Techniques in Biomedical and Chemical Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCancerMagnetic resonance imagingBrain cancerLiquid biopsyPathologyBrain biopsyMedicineRaman spectroscopyBrain tumorBiopsyBiomedical engineeringComputational biologyNanotechnologyMaterials scienceRadiologyBiologyInternal medicineOpticsPhysics

Résumé

récupéré en direct d'OpenAlex

Tumors shed DNA, proteins, other molecules, and cells into the bloodstream long before they can be spotted with techniques like magnetic resonance imaging. A new liquid biopsy approach could help diagnose brain cancer earlier by detecting those molecules in a tiny blood sample ( ACS Nano 2022, DOI: 10.1021/acsnano.2c04187 ). It relies on an ultrasensitive nanosensor that can amplify the Raman vibrational signal of cancer biomarkers present in blood at extremely low concentrations. Researchers used the method to distinguish brain tumors from other types of cancer and determine a brain tumor’s general location. “Blood tests are a lot easier and less expensive than imaging,” says Bo Tan, an engineer at Toronto Metropolitan University who led the new study. And unlike conventional biopsies of brain tissue, they would not require a surgical procedure to get a sample. But liquid-based cancer tests developed up to this point rely on amplifying small amounts

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,394
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,305
Écart entre enseignants0,300 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueC&EN Global EnterpriseMême sujetSpectroscopy Techniques in Biomedical and Chemical ResearchTravaux en français237 207