Current Status of Cancer Genomics and Imaging Phenotypes: What Radiologists Need to Know
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
Ongoing discoveries in cancer genomics and epigenomics have revolutionized clinical oncology and precision health care. This knowledge provides unprecedented insights into tumor biology and heterogeneity within a single tumor, among primary and metastatic lesions, and among patients with the same histologic type of cancer. Large-scale genomic sequencing studies also sparked the development of new tumor classifications, biomarkers, and targeted therapies. Because of the central role of imaging in cancer diagnosis and therapy, radiologists need to be familiar with the basic concepts of genomics, which are now becoming the new norm in oncologic clinical practice. By incorporating these concepts into clinical practice, radiologists can make their imaging interpretations more meaningful and specific, facilitate multidisciplinary clinical dialogue and interventions, and provide better patient-centric care. This review article highlights basic concepts of genomics and epigenomics, reviews the most common genetic alterations in cancer, and discusses the implications of these concepts on imaging by organ system in a case-based manner. This information will help stimulate new innovations in imaging research, accelerate the development and validation of new imaging biomarkers, and motivate efforts to bring new molecular and functional imaging methods to clinical radiology. Keywords: Oncology, Cancer Genomics, Epignomics, Radiogenomics, Imaging Markers Supplemental material is available for this article. © RSNA, 2023
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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