Picosecond Infrared Laser Mass Spectrometry Identifies a Metabolite Array for 10 s Diagnosis of Select Skin Cancer Types: A Proof-of-Concept Feasibility Study
Notice bibliographique
Résumé
Currently, a large number of skin biopsies are taken for each true skin cancer case detected, creating a need for a rapid, high sensitivity, and specificity skin cancer detection tool to reduce the number of unnecessary biopsies taken from benign tissue. Picosecond infrared laser mass spectrometry (PIRL-MS) using a hand-held sampling probe is reported to detect and classify melanoma, squamous cell carcinoma, and normal skin with average sensitivity and specificity values of 86–95% and 91–98%, respectively (at a 95% confidence level) solely requiring 10 s or less of total data collection and analysis time. Classifications are not adversely affected by specimen’s quantity of melanin pigments and are mediated by a number of metabolic lipids, further identified herein as potential biomarkers for skin cancer-type differentiation, 19 of which were sufficient here (as a fully characterized metabolite array) to provide high specificity and sensitivity classification of skin cancer types. In situ detection was demonstrated in an intradermal melanoma mouse model wherein in vivo sampling did not cause significant discomfort. PIRL-MS sampling is further shown to be compatible with downstream gross histopathologic evaluations despite loss of tissue from the immediate laser sampling site(s) and can be configured using selective laser pulses to avoid thermal damage to normal skin. Therefore, PIRL-MS may be employed as a decision-support tool to reduce both the subjectivity of clinical diagnosis and the number of unnecessary biopsies currently required for skin cancer screening.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».