Notice bibliographique
Résumé
Iron oxide nanoparticles (IONPs) have played a pivotal role in the development of nanomedicine owing to their versatile functions at the nanoscale, that facilitates targeted delivery, high contrast imaging, and on-demand therapy. Some biomedical inadequacies of IONPs on its' own, such as poor resolution of IONP-based Magnetic Resonance Imaging (MRI), can be overcome by co-incorporating optical probes onto them, which can be either molecule-based or nanoparticulate. Optical probe-incorporated IONPs, together with two prominent non-ionizing radiation sources (i.e. magnetic field and light), enables a myriad of biomedical applications from early detection to targeted treatment of various diseases. However, selecting right optically active photosensitizer is the key for nanomaterials' function. For example, UV sensitive dye methylene blue has been studied extensively, however, due to the limitation of UV light penetration depth in tissues limit it's use as a photosensitizer. Therefore, we found an alternate photosensitizer, Indocyanine Green (ICG) in connection with Royal Blackburn Teaching Hospital who has been using routinely for Liver cancer surgery due to it's affinity towards Liver tumour and visualisation using Near Infrared (NIR) light. In our hypothesis, ICG incorporated magnetic nanoparticles can be administered and monitored via NIR imaging (diagnosis) before applying the combination of AMF+NIR light for localized heating (therapy).
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 | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».