Boron neutron capture therapy in the new age of accelerator-based neutron production and preliminary progress in Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Each year more than 3000 Canadians are diagnosed with brain cancers like glioblastoma multiforme or recurrent head and neck cancers, which are difficult to treat with conventional radiotherapy techniques. One of the most clinically promising treatments for these cancers is boron neutron capture therapy (BNCT). This procedure involves selectively introducing a boron delivery agent into tumor cells and irradiating them with a neutron beam, which kills the cancer cells due to the high-linear energy transfer radiation produced by the 10 B(n,α) 7 Li capture reaction. The theory of BNCT has been around for a long time since 1936, but has historically been limited by poor boron delivery agents and non-optimal neutron source facilities. Although significant improvements have been made in both of these domains, it is mainly the advancements of accelerator-based neutron sources that have led to the expansion of over 20 new BNCT facilities worldwide in the past decade. Additionally in this work, particle and heavy ion transport code system simulations, in collaboration with the University of Tsukuba, were performed to examine the effectiveness of the Ibaraki BNCT beam shaping assembly to moderate a neutron beam suitable for BNCT at the proposed prototype Canadian compact accelerator-based neutron source (CANS) site, which uses a similar but slightly higher energy 10 MeV proton accelerator with a 1 mA average current. The advancements of CANSs in recent decades have enabled significant improvements in BNCT technologies, allowing it to become a more viable clinical treatment option.
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.
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 découle