Development of high-throughput systems for biodosimetry
Notice bibliographique
Résumé
Biomarkers for ionising radiation exposure have great utility in scenarios where there has been a potential exposure and physical dosimetry is missing or in dispute, such as for occupational and accidental exposures. Biomarkers that respond as a function of dose are particularly useful as biodosemeters to determine the dose of radiation to which an individual has been exposed. These dose measurements can also be used in medical scenarios to track doses from medical exposures and even have the potential to identify an individual's response to radiation exposure that could help tailor treatments. The measurement of biomarkers of exposure in medicine and for accidents, where a larger number of samples would be required, is limited by the throughput of analysis (i.e. the number of samples that could be processed and analysed), particularly for microscope-based methods, which tend to be labour-intensive. Rapid analysis in an emergency scenario, such as a large-scale accident, would provide dose estimates to medical practitioners, allowing timely administration of the appropriate medical countermeasures to help mitigate the effects of radiation exposure. In order to improve sample throughput for biomarker analysis, much effort has been devoted to automating the process from sample preparation through automated image analysis. This paper will focus mainly on biological endpoints traditionally analysed by microscopy, specifically dicentric chromosomes, micronuclei and gamma-H2AX. These endpoints provide examples where sample throughput has been improved through automated image acquisition, analysis of images acquired by microscopy, as well as methods that have been developed for analysis using imaging flow cytometry.
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 ».