Intraoperative use of low-field magnetic resonance imaging for brain tumors: A systematic review
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
Background: Low-field magnetic resonance imaging (LF-MRI) has become a valuable tool in the diagnosis of brain tumors due to its high spatial resolution and ability to acquire images in a short amount of time. However, the use of LF-MRI for intraoperative imaging during brain tumor surgeries has not been extensively studied. The aim of this systematic review is to investigate the impact of low-field intraoperative magnetic resonance imaging (LF-IMRI) on the duration of brain tumor surgery and the extent of tumor resection. Methods: A comprehensive literature search was conducted using PubMed, Scopus, and Google Scholar from February 2000 to December 2022. The studies were selected based on the inclusion criteria and reviewed independently by two reviewers. The gathered information was organized and analyzed using Excel. Results: Our review of 21 articles found that low-field intraoperative MRI (LF-IMRI) with a field below 0.3T was used in most of the studies, specifically 15 studies used 0.15T LF-IMRI. The T1-weighted sequence was the most frequently reported, and the average scanning time was 24.26 min. The majority of the studies reported a positive impact of LF-IMRI on the extent of tumor resection, with an increase ranging from 11% to 52.5%. Notably, there were no studies describing the use of ultra-low-field (ULF) intraoperative MRI. Conclusion: The results of this systematic review will aid neurosurgeons and neuroradiologists in making informed decisions about the use of LF-MRI in brain tumor surgeries. Further, research is needed to fully understand the impact of LF-MRI in brain tumor surgeries and to optimize its use in the clinical setting. There is an opportunity to study the utility of ULF-MRI in brain tumor surgeries.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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