A clinical Raman spectroscopy imaging system and safety requirements for <i>in situ</i> intraoperative tissue characterization
Notice bibliographique
Résumé
and acquires Raman fingerprint images of 40 × 42 pixels, typically in less than 5 minutes. The system is mounted on a mobile cart, it is equiped with a passive support arm and possesses a removable and sterilizable probe muzzle. The results of a proof of concept study are presented in porcine adipose and muscle tissue. Supervised machine learning models (support vector machines and random forests) were trained and they were tested on a holdout dataset consisting of 7 Raman images (10 080 spectra) acquired in different animal tissues. This led to a detection accuracy >96% and prediction confidence maps providing a quantitative detection assessment for tissue border visualization. Further testing was accomplished on a dataset acquired with the imaging probe's contact muzzle and tailored classification models showed robust classifications capabilities with specificity, sensitivity and accuracy all surpassing 95% with a support vector machine classifier. Finally, laser safety, biosafety and sterilization of the system was assest. The safety assessment showed that the system's laser can be operated safetly according to the American National Standards Institute's standard for maximum permissible exposures for eyes and skin. It was further shown that during tissue interrogation, the temperature-history in cumulative equivalent minutes at 43 °C (CEM43 °C) never exceeded a safe threshold of 5 min.
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 | 0,001 | 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 ».