An Optical Sensory System for Assessment of Residual Cancer Burden in Breast Cancer Patients Undergoing Neoadjuvant Chemotherapy
Notice bibliographique
Résumé
Breast cancer patients undergoing neoadjuvant chemotherapy (NAC) require precise and accurate evaluation of treatment response. Residual cancer burden (RCB) is a prognostic tool widely used to estimate survival outcomes in breast cancer. In this study, we introduced a machine-learning-based optical biosensor called the Opti-scan probe to assess residual cancer burden in breast cancer patients undergoing NAC. The Opti-scan probe data were acquired from 15 patients (mean age: 61.8 years) before and after each cycle of NAC. Using regression analysis with k-fold cross-validation, we calculated the optical properties of healthy and unhealthy breast tissues. The ML predictive model was trained on the optical parameter values and breast cancer imaging features obtained from the Opti-scan probe data to calculate RCB values. The results show that the ML model achieved a high accuracy of 0.98 in predicting RCB number/class based on the changes in optical properties measured by the Opti-scan probe. These findings suggest that our ML-based Opti-scan probe has considerable potential as a valuable tool for the assessment of breast cancer response after NAC and to guide treatment decisions. Therefore, it could be a promising, non-invasive, and accurate method for monitoring breast cancer patient's response to NAC.
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 ».